CN112052848B - 街区标注中样本数据的获取方法及装置 - Google Patents
街区标注中样本数据的获取方法及装置 Download PDFInfo
- Publication number
- CN112052848B CN112052848B CN202010858663.2A CN202010858663A CN112052848B CN 112052848 B CN112052848 B CN 112052848B CN 202010858663 A CN202010858663 A CN 202010858663A CN 112052848 B CN112052848 B CN 112052848B
- Authority
- CN
- China
- Prior art keywords
- interest
- block
- information
- labeling
- street
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Abstract
本申请的实施例提供了一种街区标注中样本数据的获取方法及装置。该获取方法包括:根据兴趣面的轮廓信息以及街区的轮廓信息,计算所述兴趣面与所述街区的区域重合度;基于所述区域重合度,从所述兴趣面中识别出目标兴趣面;根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息;基于所述街区的街区特征以及标注信息,生成样本数据。本申请实施例的技术方案可以降低样本数据的获取难度,并保证样本数据的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种街区标注中样本数据的获取方法及装置。
背景技术
随着人工智能技术的研究和进步,人工智能技术在多个领域展开研究和应用。在城市功能区的识别中,常采用有监督学习模型和无监督学习模型。然而,若采用有监督学习模型则需依赖于已标注的样本数据,该样本数据不仅获取难度大而且现势性较差,而采用无监督学习模型则需要通过聚类算法进行挖掘,但是由于聚类算法的不确定性,容易造成一个功能区被多次标注等问题。由此,如何降低样本数据的获取难度,并保证样本数据的准确性成为了亟待解决的技术问题。
发明内容
本申请的实施例提供了一种街区标注中样本数据的获取方法及装置,进而至少在一定程度上可以降低样本数据的获取难度,并保证样本数据的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种街区标注中样本数据的获取方法,包括:
根据兴趣面的轮廓信息以及街区的轮廓信息,计算所述兴趣面与所述街区的区域重合度;
基于所述区域重合度,从所述兴趣面中识别出目标兴趣面;
根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息;
基于所述街区的街区特征以及标注信息,生成样本数据。
根据本申请实施例的一个方面,提供了一种街区标注中样本数据的获取装置,包括:
计算模块,用于,根据兴趣面的轮廓信息以及街区的轮廓信息,计算所述兴趣面与所述街区的区域重合度;
识别模块,用于基于所述区域重合度,从所述兴趣面中识别出目标兴趣面;
标注模块,用于根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息;
处理模块,用于基于所述街区的街区特征以及标注信息,生成样本数据。
在本申请的一些实施例中,基于前述方案,计算模块被配置为:根据兴趣面的轮廓信息和街区的轮廓信息,计算所述兴趣面与所述街区之间相交的面积,以及所述兴趣面与所述街区的联合面积;根据所述相交的面积以及所述联合面积,计算所述兴趣面与所述街区的区域重合度。
在本申请的一些实施例中,基于前述方案,识别模块被配置为:将所述区域重合度与预定阈值进行比较,得到比较结果;根据所述比较结果,将所述区域重合度大于或等于所述预定阈值的兴趣面确定为目标兴趣面。
在本申请的一些实施例中,基于前述方案,识别模块被配置为:若存在至少两个区域重合度大于或等于所述预定阈值的兴趣面,则从区域重合度大于或等于所述预定阈值的兴趣面中,选取区域重合度最大的兴趣面作为目标兴趣面。
在本申请的一些实施例中,基于前述方案,标注模块被配置为:根据所述目标兴趣面的类型信息,确定与所述类型信息对应的功能类型;将所述功能类型与所述街区相关联,作为所述街区的标注信息。
在本申请的一些实施例中,基于前述方案,处理模块还被配置为:获取位于所述兴趣面周围的道路信息;根据所述道路信息,确定位于所述兴趣面周围的街区的轮廓信息。
在本申请的一些实施例中,基于前述方案,所述道路信息为道路的轮廓信息,则处理模块被配置为:根据多条道路的轮廓信息,确定多条所述道路所围成的区域的轮廓信息,以作为街区的轮廓信息。
在本申请的一些实施例中,基于前述方案,所述样本数据的数量为多个,所述街区特征包括街区内的信息点信息、街区的几何信息以及街区内的定位信息;处理模块还被配置为:对多个所述样本数据进行划分,形成训练集、验证集以及测试集;基于所述训练集、所述验证集以及所述测试集,训练并建立街区标注模型。
在本申请的一些实施例中,基于前述方案,处理模块还被配置为:将所述训练集输入至极端梯度提升模型中进行训练,选取归一化指数函数作为多分类预测的目标函数,选取交叉熵作为损失函数,以建立街区标注模型;将所述验证集作为所述街区标注模型的输入,对所述街区标注模型进行验证,并根据验证结果对所述街区标注模型的参数进行调整;采用测试集对调整参数之后的街区标注模型进行测试,以根据测试结果确定目标街区标注模型。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的街区标注中样本数据的获取方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的街区标注中样本数据的获取方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中提供的街区标注中样本数据的获取方法。
在本申请的一些实施例所提供的技术方案中,根据现有的兴趣面的轮廓信息以及街区的轮廓信息即可识别出与该街区的区域重合度符合标准的目标兴趣面,并基于该目标兴趣面的类型信息对该街区进行标注,得到该街区对应的标注信息,结合该标注信息以及街区的街区特征,生成样本数据。由此,无需人工对街区进行标注,降低了样本数据的获取难度,节约成本,同时也保证了样本数据的准确性。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示出了根据本申请的一个实施例的街区标注中样本数据的获取方法的流程示意图;
图3示出了根据本申请的一个实施例的图2的街区标注中样本数据的获取方法中步骤S210的流程示意图;
图4示出了根据本申请的一个实施例的图2的街区标注中样本数据的获取方法中步骤S220的流程示意图;
图5示出了根据本申请的一个实施例的图2的街区标注中样本数据的获取方法中步骤S230的流程示意图;
图6示出了根据本申请的一个实施例的街区标注中样本数据的获取方法还包括的确定街区的轮廓信息的流程示意图;
图7示出了根据本申请的一个实施例的街区标注中样本数据的获取方法中还包括的建立街区标注模型的流程示意图;
图8示出了根据本申请的一个实施例的图7的街区标注中样本数据的获取方法中步骤S720的流程示意图;
图9示出了根据本申请的一个实施例的城市功能区的识别方法的流程示意图;
图10示出了根据本申请的一个实施例的图9的城市功能区的识别方法的输出效果示意图;
图11示出了根据本申请的一个实施例的街区标注中样本数据的获取装置的框图;
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线通信链路、无线通信链路等等。
需要说明的,该终端设备可以是智能手机、平板电脑或者便携式计算器中的一种或多种,终端设备也可以是其他任意具有计算功能的终端设备,本申请对此不做特殊限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送信息等。服务器103可以是提供各种服务的服务器。例如用户利用终端设备101从服务器105中获取了兴趣面的轮廓信息、类型信息以及街区的轮廓信息,终端设备101可以根据兴趣面的轮廓信息以及街区的轮廓信息,计算所述兴趣面与所述街区的区域重合度,并基于所述区域重合度,从所述兴趣面中识别出目标兴趣面;根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息,再基于所述街区的街区特征以及标注信息,生成样本数据。
需要说明的是,本申请实施例所提供的街区标注中样本数据的获取方法一般由终端设备101执行,相应地,街区标注中样本数据的获取装置一般设置于终端设备101中。但是,在本申请的其它实施例中,服务器也可以与终端设备具有相似的功能,从而执行本申请实施例所提供的街区标注中样本数据的获取方法的方案。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的街区标注中样本数据的获取方法的流程示意图。参照图2所示,该街区标注中样本数据的获取方法至少包括步骤S210至步骤S240,详细介绍如下:
在步骤S210中,根据兴趣面的轮廓信息以及街区的轮廓信息,计算所述兴趣面与所述街区的区域重合度。
其中,兴趣面(area of interest,即AOI,也叫信息面)可以是地图上的一个区域或地图数据中区域状的地理实体,这个区域可以是大学、小区或者建筑物等,例如北京大学、腾讯大厦等等。
街区可以是由道路所包围的区域,是城市结构的基本组成单位。城市功能区的识别是基于对街区的功能识别,例如将街区划分为居住区、工业区、办公区以及商业区等等。其是城市规划、交通规划中的一个重要环节,对于智慧城市、智慧交通的系统的构建必不可少。
在本申请的一个实施例中,兴趣面的轮廓信息与街区的轮廓信息可以预先存储于服务器中。终端设备可以从服务器中获取上述信息,并将兴趣面的轮廓信息以及街区的轮廓信息进行匹配,从而得到该兴趣面与街区的区域重合度。
需要说明的,区域重合度可以是用于表示兴趣面的轮廓以及街区的轮廓的重合程度的信息。区域重合度越高,则该兴趣面越能够表征对应的街区的功能类型,例如某小区与其对应街区的区域重合度达到95%,则可以识别出该街区的功能类型为居住区,等等。
在步骤S220中,基于所述区域重合度,从所述兴趣面中识别出目标兴趣面。
在本申请的一个实施例中,兴趣面的数量可以为多个,街区的数量也可以为多个。需要说明的,本文所述的多个可以是两个或者两个以上的任意数量,例如三个、五个或者十个等等,本申请对此不做特殊限定。
将多个兴趣面的轮廓信息以及街区的轮廓信息进行比对,得到各个兴趣面与该街区的区域重合度。并根据每一兴趣面对应的区域重合度从兴趣面中识别出与该街区符合的目标兴趣面。例如可以选取与街区的区域重合度最高的兴趣面作为目标兴趣面等。
在步骤S230中,根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息。
其中,兴趣面的类型信息可以是用于表示兴趣面的类别的信息,根据兴趣面的性质可以将兴趣面划分为多个类别,例如该兴趣面的类型信息可以包括但不限于写字楼、居住小区、学校以及商场等。
在本申请的一个实施例中,根据所确定的目标兴趣面,获取该兴趣面对应的类型信息。并根据该类型信息对街区进行标注,以得到该街区的标注信息。具体地,可以预先建立兴趣面的类型信息与街区的功能类型对应关系表(如下表1所示):
兴趣面类型信息 | 街区功能类型 |
学校 | 教育科研 |
居住小区 | 居住 |
… | … |
表1
在进行标注时,可以根据目标兴趣面的类型信息,查询该对应关系表,从而得到对应街区的功能类型,并根据该功能类型对街区进行标注。例如若目标兴趣面的类型信息为学校,则通过查询该对应关系表,可以得到该街区的功能类型为教育科研功能;若目标兴趣面的类型信息为居住小区,则通过查询该对应关系表,可以得到该街区的功能类型为居住功能,等等。
在步骤S240中,基于所述街区的街区特征以及标注信息,生成样本数据。
其中,街区特征可以是用于描述该街区的特点的信息。其可以包括多个类别的信息。例如该街区特征可以包括但不限于街区的几何特征、街区内的信息点信息以及街区内的定位信息,等等。
街区的几何信息可以包括街区的面积、轮廓紧凑率以及街区的周长等信息,用以描述街区的几何特征。
街区内的信息点信息可以是街区内各类别的信息点的权重。需要说明的,信息点(Point of Information,即POI,也叫兴趣点)可以为地图上的某个地标或者景点,其可以是一栋房子、一个商铺、一个邮筒或者一个公交站等等。因此,相对而言,兴趣面是一个面数据,而信息点则是一个点数据。信息点也可以对应分为多个类别,例如餐饮类、教育类或者居住小区类等等。
在本申请的一个实施例中,各类别的信息点的权重可以是在街区内,用户在社交应用上各类别的信息点的发送位置数量占该街区内总的发送位置数量的比例。例如用户在微博上发布微博时,携带其定位信息(如某某餐馆),某某餐馆为餐饮类的信息点,因此餐饮类的信息点的发送位置数量增加1,等等。由此,可以统计各类别的信息点的发送位置数量以及所有类别的信息点的发送位置数量,从而得到各类别的信息点的发送位置数量占总的发送位置数量的比例,即各类别的信息点的权重。
街区内的定位信息可以是定位信息可以是各个时间段内用户的定位量占全天用户的定位量的占比,例如0:00-0:59内用户的定位量占全天用户定位量的占比、1:00-1:59内用户的定位量占全天用户定位量的占比、…、23:00-23:59内用户的定位量占全天用户定位量的占比。
综上,根据街区内用户的活动信息(信息点信息以及定位信息等),可以分析出用户在该街区内的活动目的,再结合该街区的几何特征,从而可以准确表达出各个功能类型的街区的特征,进而保证后续街区标注模型的识别结果的准确性。
在本申请的一个实施例,服务器可以预先对街区的特征信息进行收集并存储,以备后续获取。终端设备从服务器中获取街区的特征信息并结合该街区的标注信息,以生成已标注的样本数据。由此,通过现有的兴趣面的信息以及街区的轮廓信息,可以预先对街区进行标注,再结合该街区的特征信息从而得到已标注的街区样本,降低了样本数据的获取难度的同时也保证了样本数据的准确性。
基于图2所示的实施例,图3示出了根据本申请的一个实施例的图2的街区标注中样本数据的获取方法中步骤S210的流程示意图。参照图3所示,步骤S210至少包括步骤S310至步骤S320,详细介绍如下:
在步骤S310中,根据兴趣面的轮廓信息和街区的轮廓信息,计算所述兴趣面与所述街区之间相交的面积,以及所述兴趣面与所述街区的联合面积。
在本申请的一个实施例中,终端设备根据兴趣面的轮廓信息以及街区的轮廓信息,可以将二者进行比较,从而得到兴趣面与街区的重合的面积即二者相交的面积,还可以得到兴趣面与街区的联合面积。需要说明的,联合面积是兴趣面的轮廓信息与街区的轮廓信息之间的并集,并不是二者的面积之和。
在步骤S320中,根据所述相交的面积以及所述联合面积,计算所述兴趣面与所述街区的区域重合度。
在本申请的一个实施例中,将兴趣面与街区的相交的面积除以二者的联合面积,从而得到兴趣面与街区的区域重合度。例如根据兴趣面的轮廓信息以及街区的轮廓面积计算得到,兴趣面的面积为1000m2,街区的面积为5000m2,而兴趣面与街区的相交的面积为500m2,所以可以计算得到二者的区域重合度=500/(1000+5000-500)≈9%,等等。
在图3所示的实施例中,根据兴趣面与街区的相交的面积以及联合面积,从而得到二者之间的区域重合度,该区域重合度可以表示出二者的相交的面积占二者联合面积的比例,由此,根据该区域重合度可以准确表示出兴趣面与街区之间的重合程度,以保证目标兴趣面的识别的准确度。
在本申请的其他实施例中,也可将兴趣面与街区的相交的面积除以街区的面积,即二者相交的面积占街区的面积的比例,从而确定二者之间的区域重合度。本领域技术人员可以根据实现需要,选择对应的确定方法,本申请对此不做特殊限定。
基于图2所示的实施例,图4示出了根据本申请的一个实施例的图2的街区标注中样本数据的获取方法中步骤S220的流程示意图。参照图2所示,步骤S220至少包括步骤S410至步骤S420,详细介绍如下:
在步骤S410中,将所述区域重合度与预定阈值进行比较,得到比较结果。
在本申请的一个实施例中,该预定阈值可以是由本领域技术人员预先设定的,用以确定目标兴趣面与街区的区域重合度下限的阈值。例如该预定阈值可以为80%,则表示兴趣面与街区的区域重合度要达到80%,该兴趣面相对于街区才能够具有代表性,可以将该兴趣面作为目标兴趣面;若二者的区域重合度未达到预定阈值,则表示该兴趣面未能够代表该街区,因此不能将其识别为目标兴趣面。本领域技术人员可以根据实际实现需要,确定对应的预定阈值,以上仅为示例性举例,本申请对此不做特殊限定。
终端设备将各个兴趣面与街区的区域重合度和预定阈值进行比较,从而得到比较结果,例如某个兴趣面的区域重合度达到了预定阈值,某个兴趣面的区域重合度未达到预定阈值,等等。
在步骤S420中,根据所述比较结果,将所述区域重合度大于或等于所述预定阈值的兴趣面识别为目标兴趣面。
在本申请的一个实施例中,根据各个兴趣面的区域重合度与预定阈值的比较结果,将区域重合度达到(即大于或等于)预定阈值的兴趣面识别为目标兴趣面,用以代表对应街区。
在图4所示的实施例中,通过设定预定阈值,并根据区域重合度与预定阈值的比较结果,从而识别出目标兴趣面,保证了目标兴趣面与街区的区域重合度达到一定标准,进而保证目标兴趣面对街区的代表性。
基于图2和图4所示的实施例,在本申请的一个实施例中,步骤S420包括:
若存在至少两个区域重合度大于或等于所述预定阈值的兴趣面,则从区域重合度大于或等于所述预定阈值的兴趣面中,选取区域重合度最大的兴趣面作为目标兴趣面。
在该实施例中,若存在多个区域重合度大于或等于预定阈值的兴趣面,则从区域重合度达到预定阈值的兴趣面中选取区域重合度最大的兴趣面作为目标兴趣面。例如兴趣面A与街区的区域重合度为95%,兴趣面B与街区的区域重合度为90%,而预定阈值为80%,根据比较结果,兴趣面A和兴趣面B的区域重合度均达到了预定阈值,则将区域重合度最高的兴趣面A识别为目标兴趣面,等等。
由此,若存在多个兴趣面的区域重合度达到预定阈值时,则从中选取更具代表性的(即区域重合度最高的)兴趣面作为目标兴趣面,保证了目标兴趣面对于街区的代表性。
基于图2所示的实施例,图5示出了根据本申请的一个实施例的图2的街区标注中样本数据的获取方法中步骤S230的流程示意图。参照图5所示,步骤S230至少包括步骤S510至步骤S520,详细介绍如下:
在步骤S510中,根据所述目标兴趣面的类型信息,确定与所述类型信息对应的功能类型。
在本申请的一个实施例中,可以预先建立兴趣面的类型信息与街区的功能类型对应关系表,如上表1所示。在对街区进行标注时,可以根据与该街区对应的目标兴趣面的类型信息,查询该对应关系表,从而得到对应的功能类型。
在步骤S520中,将所述功能类型与所述街区相关联,作为所述街区的标注信息。
在本申请的一个实施例中,可以将所确定的功能类型与街区的标识信息进行关联,其中该标识信息可以是唯一标识该街区的信息,例如街区的编号等。例如,可以建立功能类型与街区的标识信息的对应关系表,以将该功能类型作为街区的标注信息,便于后续查询。
基于图2所示的实施例,图6示出了根据本申请的一个实施例的街区标注中样本数据的获取方法还包括的确定街区的轮廓信息的流程示意图。参照图6所示,确定街区的轮廓信息至少包括步骤S610至步骤S620,详细介绍如下:
在步骤S610中,获取位于所述兴趣面周围的道路信息。
在本申请的一个实施例中,终端设备可以根据兴趣面的位置信息,获取位于兴趣面周围的道路信息。需要说明的,位于兴趣面周围的道路可以是经过兴趣面的预定范围内的道路,例如该预定范围可以是200m、300m或者500m,等等。以上仅为示例性举例,本领域技术人员可以根据实际实现需要,确定该预定范围值,本申请对此不做特殊限定。
该道路信息可以包括道路的标识信息(例如道路名称或者道路编号等)、道路的轮廓信息等等。由此,可以根据位于兴趣面周围的道路信息了解兴趣面周围的道路的分布情况。
在步骤S620中,根据所述道路信息,确定位于所述兴趣面周围的街区的轮廓信息。
在本申请的一个实施例中,由于街区是由道路所包围的区域,根据位于兴趣面周围的道路信息,即可以确定位于兴趣面周围的街区的轮廓信息。由此,可以保证街区与兴趣面之间的关联性,从而提高目标兴趣面的识别效率,避免将兴趣面与距离较远的街区进行匹配,浪费了计算资源,同时也降低了识别效率。
基于图2和图6所示的实施例,在本申请的一个实施例中,道路信息为道路的轮廓信息,则根据所述道路信息,确定位于所述兴趣面周围的街区的轮廓信息,包括:
根据多条道路的轮廓信息,确定多条所述道路所围成的区域的轮廓信息,以作为街区的轮廓信息。
在该实施例中,由于街区是由道路所包围的区域,因此,终端设备可以根据所获取的多条道路的轮廓信息,确定由多条道路所合围而成的区域的轮廓信息,并将其作为街道的轮廓信息。无需人为进行划分,提高了街区的轮廓信息的获取效率。
在本申请的一个实施例中,本领域技术人员可以预先设定用以确定街区的面积下限的面积阈值,终端设备根据多条道路合围而成的区域的轮廓信息计算该区域对应的面积,并将该面积与面积阈值进行比较,从而挑选出达到面积阈值的区域,并将达到面积阈值的区域的轮廓信息作为街区的轮廓信息。由此,保证所识别出的街区的面积大小,以保证街区识别的有效性,避免将面积过小的区域误识别为街区的情况发生。
基于图2所示的实施例,图7示出了根据本申请的一个实施例的街区标注中样本数据的获取方法中还包括的建立街区标注模型的流程示意图。
在图7所示的实施例中,样本数据的数量为多个,街区特征包括街区内的信息点信息、街区的几何信息以及街区内的定位信息。参照图7所示,在基于所述街区的街区特征以及标注信息,生成样本数据之后,所述方法至少还包括步骤S710至步骤S720,详细介绍如下:
在步骤S710中,对多个所述样本数据进行划分,形成训练集、验证集以及测试集。
在本申请的一个实施例中,根据所生成的多个样本数据,可以对其进行随机挑选,以将所生成的样本数据划分为训练集、验证集以及测试集,用以训练街区标注模型。例如可以从样本数据中随机选取60%作为训练集,选取20%作为验证集,剩下的20%作为测试集,等等。在本申请的其他实施例中,本领域技术人员也可以采用其他的划分方法,本申请对此不做特殊限定。
在步骤S720中,基于所述训练集、所述验证集以及所述测试集,训练并建立街区标注模型。
在该实施例中,街区标注模型可以是用于对未标注的街区进行功能识别的神经网络模型,是一个有监督学习模型。根据训练集、验证集以及测试集,可以训练并建立该学习模型。由此可以根据所建立的街区标注模型对未标注的街区进行自动标注,提高街区的标注效率。且基于已标注的样本数据进行训练,可以保证街区标注模型的标注结果的准确性。
基于图2和图7所示的实施例,图8示出了根据本申请的一个实施例的图7的街区标注中样本数据的获取方法中步骤S720的流程示意图。参照图8所示,步骤S720至少包括步骤S810至步骤S830,详细介绍如下:
在步骤S810中,将所述训练集输入至极端梯度提升模型中进行训练,选取归一化指数函数作为多分类预测的目标函数,选取交叉熵作为损失函数,以建立街区标注模型。
在本申请的一个实施例中,极端梯度提升模型是一套提升树可扩展的机器学习系统,可以对特征进行很好的归类和划分,由此,选用极端梯度提升模型以建立街区标注模型,可以提高所建立的街区标注模型的识别结果的准确度。
并选用归一化指数函数作为多分类预测的目标函数,该归一化指数函数能够将一个含任意实数K维向量z“压缩”到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1,多用于多分类问题中。再采用交叉熵作为街区标注模型的损失函数,由此,以完成街区标注模型的训练和构建。
在步骤S820中,将所述验证集作为所述街区标注模型的输入,对所述街区标注模型进行验证,并根据验证结果对所述街区标注模型的参数进行调整。
在本申请的一个实施例中,采用预先划分的验证集对街区标注模型进行验证,并根据该街区标注模型的输出结果对该街区标注模型的参数进行调整,以使得该街区标注模型的输出结果与验证集的标注信息相同。具体地,可以调整街区标注模型的梯度提升树的数量、学习率、树最大深度、样本随机采样比例、列随机采样比例、不均衡样本参数、L2正则化项权重以及L1正则化项权重等参数,以使街区标注模型的输出结果能够与测试集的标注信息相同,从而实现对街区标注模型的校验。
在步骤S830中,采用测试集对调整参数之后的街区标注模型进行测试,以根据测试结果确定目标街区标注模型。
在本申请的一个实施例中,根据调整参数完成的街区标注模型,采用测试集对其进行测试,以使街区标注模型输出针对该测试集的识别结果,并将识别结果与测试集的标注信息相比较,从而得到该街区标注模型的测试结果,如识别正确的数量以及准确率等。
在本申请的一个实施例中,可以计算街区标注模型的F1分数,F1分数用于衡量街区标注模型的分类准确度。其是街区标注模型的精确率和召回率的调和平均数,最大为1,最小为0。若街区标注模型的F1分数达到一定阈值,则表示该街区标注模型的识别效果较佳,可以将其作为目标街区识别模型,以用于街区的标注。
在图8所示的实施例中,通过建立街区标注模型,可以提高街区的标注效率。且采用已标注的样本数据进行模型的训练和建立,可以保证街区标注模型的识别的准确度。
基于上述实施例的技术方案,以下介绍本申请实施例的一个具体应用场景:
图9示出了根据本申请的一个实施例的城市功能区的识别方法的流程示意图。
如图中910所示,根据兴趣面数据(轮廓信息)以及街区数据(轮廓信息)进行计算,得到各个兴趣面与街区之间的区域重合度。如图中920所示,根据计算得到的区域重合度,从多个兴趣面中识别出与街区相对应的目标兴趣面,从而根据该目标兴趣面的类型信息对街区进行自动化标注,得到街区的标注信息。
如图中930所示,获取街区的街区特征,该街区特征包括街区内的信息点特征、定位特征以及几何特征等。并结合该街区的标注信息,生成样本数据。并将该样本数据用以建立街区标注模型,从而实现城市功能区的自动识别。
图10示出了根据本申请的一个实施例的图9的城市功能区的识别方法的输出效果示意图。
如图10所示,街区标注模型可以将大范围内的街区进行划分,得到各个街区所对应的功能类型,提高了街区标注的效率,同时也保证了街区标注的准确率。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的街区标注中样本数据的获取方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的街区标注中样本数据的获取方法的实施例。
图11示出了根据本申请的一个实施例的街区标注中样本数据的获取装置的框图。
参照图11所示,根据本申请的一个实施例的街区标注中样本数据的获取装置,包括:
计算模块1110,用于,根据兴趣面的轮廓信息以及街区的轮廓信息,计算所述兴趣面与所述街区的区域重合度;
识别模块1120,用于基于所述区域重合度,从所述兴趣面中识别出目标兴趣面;
标注模块1130,用于根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息;
处理模块1140,用于基于所述街区的街区特征以及标注信息,生成样本数据。
在本申请的一些实施例中,基于前述方案,计算模块1110被配置为:根据兴趣面的轮廓信息和街区的轮廓信息,计算所述兴趣面与所述街区之间相交的面积,以及所述兴趣面与所述街区的联合面积;根据所述相交的面积以及所述联合面积,计算所述兴趣面与所述街区的区域重合度。
在本申请的一些实施例中,基于前述方案,识别模块1120被配置为:将所述区域重合度与预定阈值进行比较,得到比较结果;根据所述比较结果,将所述区域重合度大于或等于所述预定阈值的兴趣面确定为目标兴趣面。
在本申请的一些实施例中,基于前述方案,识别模块1120被配置为:若存在至少两个区域重合度大于或等于所述预定阈值的兴趣面,则从区域重合度大于或等于所述预定阈值的兴趣面中,选取区域重合度最大的兴趣面作为目标兴趣面。
在本申请的一些实施例中,基于前述方案,标注模块1130被配置为:根据所述目标兴趣面的类型信息,确定与所述类型信息对应的功能类型;将所述功能类型与所述街区相关联,作为所述街区的标注信息。
在本申请的一些实施例中,基于前述方案,处理模块1140还被配置为:获取位于所述兴趣面周围的道路信息;根据所述道路信息,确定位于所述兴趣面周围的街区的轮廓信息。
在本申请的一些实施例中,基于前述方案,所述道路信息为道路的轮廓信息,则处理模块1140被配置为:根据多条道路的轮廓信息,确定多条所述道路所围成的区域的轮廓信息,以作为街区的轮廓信息。
在本申请的一些实施例中,基于前述方案,所述样本数据的数量为多个,所述街区特征包括街区内的信息点信息、街区的几何信息以及街区内的定位信息;处理模块1140还被配置为:对多个所述样本数据进行划分,形成训练集、验证集以及测试集;基于所述训练集、所述验证集以及所述测试集,训练并建立街区标注模型。
在本申请的一些实施例中,基于前述方案,处理模块1140还被配置为:将所述训练集输入至极端梯度提升模型中进行训练,选取归一化指数函数作为多分类预测的目标函数,选取交叉熵作为损失函数,以建立街区标注模型;将所述验证集作为所述街区标注模型的输入,对所述街区标注模型进行验证,并根据验证结果对所述街区标注模型的参数进行调整;采用测试集对调整参数之后的街区标注模型进行测试,以根据测试结果确定目标街区标注模型。
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图12示出的电子设备的计算机系统仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统包括中央处理单元(Central Processing Unit,CPU)1201,其可以根据存储在只读存储器(Read-Only Memory,ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(Random Access Memory,RAM)1203中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1203中,还存储有系统操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(Input/Output,I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。其中,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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种街区标注中样本数据的获取方法,其特征在于,包括:
根据多个兴趣面的轮廓信息以及街区的轮廓信息,计算各个所述兴趣面与所述街区的区域重合度,其中,所述兴趣面是地图上一个区域或者地图数据中区域状的地理实体,所述街区的轮廓信息是通过获取位于所述兴趣面周围的道路的轮廓信息,并根据多条道路的轮廓信息,确定的多条所述道路所围成的区域的轮廓信息;
基于所述区域重合度,从多个所述兴趣面中识别出目标兴趣面;
根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息;
基于所述街区的街区特征以及标注信息,生成样本数据。
2.根据权利要求1所述的方法,其特征在于,根据多个兴趣面的轮廓信息以及街区的轮廓信息,计算各个所述兴趣面与所述街区的区域重合度,包括:
根据多个兴趣面的轮廓信息和街区的轮廓信息,计算各个所述兴趣面与所述街区之间相交的面积,以及各个所述兴趣面与所述街区的联合面积;
根据所述相交的面积以及所述联合面积,计算各个所述兴趣面与所述街区的区域重合度。
3.根据权利要求1所述的方法,其特征在于,基于所述区域重合度,从多个所述兴趣面中识别出目标兴趣面,包括:
将所述区域重合度与预定阈值进行比较,得到比较结果;
根据所述比较结果,将所述区域重合度大于或等于所述预定阈值的兴趣面确定为目标兴趣面。
4.根据权利要求3所述的方法,其特征在于,根据所述比较结果,将所述区域重合度大于或等于所述预定阈值的兴趣面确定为目标兴趣面,包括:
若存在至少两个区域重合度大于或等于所述预定阈值的兴趣面,则从区域重合度大于或等于所述预定阈值的兴趣面中,选取区域重合度最大的兴趣面作为目标兴趣面。
5.根据权利要求1所述的方法,其特征在于,根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息,包括:
根据所述目标兴趣面的类型信息,确定与所述类型信息对应的功能类型;
将所述功能类型与所述街区相关联,作为所述街区的标注信息。
6.根据权利要求1所述的方法,其特征在于,所述样本数据的数量为多个,所述街区特征包括街区内的信息点信息、街区的几何信息以及街区内的定位信息;在基于所述街区的街区特征以及标注信息,生成样本数据之后,所述方法还包括:
对多个所述样本数据进行划分,形成训练集、验证集以及测试集;
基于所述训练集、所述验证集以及所述测试集,训练并建立街区标注模型。
7.根据权利要求6所述的方法,其特征在于,基于所述训练集、所述验证集以及所述测试集,训练并建立街区标注模型,包括:
将所述训练集输入至极端梯度提升模型中进行训练,选取归一化指数函数作为多分类预测的目标函数,选取交叉熵作为损失函数,以建立街区标注模型;
将所述验证集作为所述街区标注模型的输入,对所述街区标注模型进行验证,并根据验证结果对所述街区标注模型的参数进行调整;
采用测试集对调整参数之后的街区标注模型进行测试,以根据测试结果确定目标街区标注模型。
8.一种街区标注中样本数据的获取装置,其特征在于,包括:
计算模块,用于根据多个兴趣面的轮廓信息以及街区的轮廓信息,计算各个所述兴趣面与所述街区的区域重合度,其中,所述兴趣面是地图上一个区域或者地图数据中区域状的地理实体,所述街区的轮廓信息是通过获取位于所述兴趣面周围的道路的轮廓信息,并根据多条道路的轮廓信息,确定的多条所述道路所围成的区域的轮廓信息;
识别模块,用于基于所述区域重合度,从多个所述兴趣面中识别出目标兴趣面;
标注模块,用于根据所述目标兴趣面的类型信息对所述街区进行标注,得到所述街区对应的标注信息;
处理模块,用于基于所述街区的街区特征以及标注信息,生成样本数据。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858663.2A CN112052848B (zh) | 2020-08-24 | 2020-08-24 | 街区标注中样本数据的获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858663.2A CN112052848B (zh) | 2020-08-24 | 2020-08-24 | 街区标注中样本数据的获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052848A CN112052848A (zh) | 2020-12-08 |
CN112052848B true CN112052848B (zh) | 2022-09-20 |
Family
ID=73599180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010858663.2A Active CN112052848B (zh) | 2020-08-24 | 2020-08-24 | 街区标注中样本数据的获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052848B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657669B (zh) * | 2021-08-17 | 2023-11-14 | 东南大学 | 一种街区空间编码图的智能建构方法、系统及存储介质 |
CN115641430B (zh) * | 2022-10-12 | 2024-01-30 | 阿里巴巴(中国)有限公司 | 一种兴趣面确定方法、装置、介质及计算机设备 |
CN117079148B (zh) * | 2023-10-17 | 2024-01-05 | 腾讯科技(深圳)有限公司 | 城市功能区的识别方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280685A (zh) * | 2018-01-19 | 2018-07-13 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
CN111062446A (zh) * | 2019-12-25 | 2020-04-24 | 南京大学 | 基于多源国土资源数据的土地类型分类方法 |
CN111210269A (zh) * | 2020-01-02 | 2020-05-29 | 平安科技(深圳)有限公司 | 基于大数据的对象识别方法、电子装置及存储介质 |
CN111382330A (zh) * | 2020-03-10 | 2020-07-07 | 智慧足迹数据科技有限公司 | 一种土地用地性质识别方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10366134B2 (en) * | 2014-10-24 | 2019-07-30 | Oath Inc. | Taxonomy-based system for discovering and annotating geofences from geo-referenced data |
-
2020
- 2020-08-24 CN CN202010858663.2A patent/CN112052848B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
CN108280685A (zh) * | 2018-01-19 | 2018-07-13 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN111062446A (zh) * | 2019-12-25 | 2020-04-24 | 南京大学 | 基于多源国土资源数据的土地类型分类方法 |
CN111210269A (zh) * | 2020-01-02 | 2020-05-29 | 平安科技(深圳)有限公司 | 基于大数据的对象识别方法、电子装置及存储介质 |
CN111382330A (zh) * | 2020-03-10 | 2020-07-07 | 智慧足迹数据科技有限公司 | 一种土地用地性质识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112052848A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052848B (zh) | 街区标注中样本数据的获取方法及装置 | |
CN107679189A (zh) | 一种兴趣点更新方法、装置、服务器和介质 | |
US10375171B2 (en) | Iterative learning for reliable sensor sourcing systems | |
CN109976997B (zh) | 测试方法和装置 | |
CN112861972B (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN107124476B (zh) | 信息推送方法和装置 | |
CN108182253B (zh) | 用于生成信息的方法和装置 | |
CN109949063B (zh) | 一种地址确定方法、装置、电子设备及可读存储介质 | |
CN114416900A (zh) | 一种轨迹停留点分析的方法和装置 | |
CN110659433B (zh) | Poi价值评估的方法、装置、设备和计算机存储介质 | |
US10772035B2 (en) | Method and apparatus for generating information | |
US20230049839A1 (en) | Question Answering Method for Query Information, and Related Apparatus | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
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 | |
CN111159583A (zh) | 用户行为分析方法、装置、设备及存储介质 | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN110889029A (zh) | 城市目标推荐方法和装置 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN112783468A (zh) | 目标对象的排序方法和排序装置 | |
CN116127155A (zh) | 一种措施推送方法、系统、电子设备及存储介质 | |
CN115905958A (zh) | 一种虚假妥投行为的判别方法和装置 | |
CN114925680A (zh) | 物流兴趣点信息生成方法、装置、设备和计算机可读介质 | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113344645A (zh) | 房价预测的方法、装置和电子设备 |
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 |