CN112258126B - 位置数据的校验方法、装置及计算设备 - Google Patents
位置数据的校验方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112258126B CN112258126B CN202011230356.6A CN202011230356A CN112258126B CN 112258126 B CN112258126 B CN 112258126B CN 202011230356 A CN202011230356 A CN 202011230356A CN 112258126 B CN112258126 B CN 112258126B
- Authority
- CN
- China
- Prior art keywords
- data
- grid
- target object
- position data
- cluster
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种位置数据的校验方法、装置及计算设备,方法包括:采集针对目标对象的签到行为数据,对所述签到行为数据进行处理得到打点位置数据;对所述打点位置数据进行网格化处理,生成网格化数据;依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果;根据网格聚簇结果,对目标对象的位置数据进行校验处理。本发明实施例通过进行网格化处理,可以控制单个目标对象的数据处理上限,降低了数据处理的量级,大大提升了数据处理的效率,还保证后续数据处理的稳定性。而且,网格化处理充分保留了原始打点数据,并未丢失有效数据,保证了最终获取的位置数据的精度,提升了位置数据校验的准确性。
Description
技术领域
本发明实施例涉及大数据处理领域,具体涉及一种位置数据的校验方法、装置及计算设备、计算机存储介质。
背景技术
随着互联网+O2O(Onlineto Offline,线上线下)业务的蓬勃发展,各大业务平台对位置服务的要求越来越高。以外卖业务平台为例,外卖业务平台对商户位置数据的精准性要求很高,供用户使用的外卖应用需要展示商户位置,以引导用户到店消费;供骑手使用的外卖应用需要对商户位置进行校准,以引导骑手到正确的地方取餐。
目前,通过对商户位置数据进行抽样摸底,大约有2%的商户位置数据存在错误,每日影响运单在十万量级。因此现有技术亟需一种有效的方法对商户位置进行校验,以及时地发现并修正存在错误的商户位置。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的位置数据的校验方法、装置及计算设备、计算机存储介质。
根据本发明实施例的一个方面,提供了一种位置数据的校验方法,包括:
采集针对目标对象的签到行为数据,对所述签到行为数据进行处理得到打点位置数据;
对所述打点位置数据进行网格化处理,生成网格化数据;
依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果;
根据网格聚簇结果,对目标对象的位置数据进行校验处理。
在一种可选的方式中,所述网格化数据包括:目标对象标识、网格位置数据以及打点频次。
在一种可选的方式中,所述依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果进一步包括:
根据网格位置数据,对网格进行聚类处理,得到至少一个网格簇;
针对每个网格簇,对属于该网格簇的一个或多个网格的打点频次进行统计,得到该网格簇的打点频次总数。
在一种可选的方式中,所述采集针对目标对象的签到行为数据具体包括:采集针对目标对象的用户签到行为数据和配送对象签到行为数据。
在一种可选的方式中,所述用户签到行为数据包括以下数据中的一种或多种:用户扫码行为数据、用户领券行为数据、用户消费行为数据。
在一种可选的方式中,采集针对目标对象的配送对象签到行为数据进一步包括:
采集与目标对象相关的配送对象的运行轨迹数据,从运行轨迹数据中提取符合预设条件的停留行为数据作为所述配送对象签到行为数据;
和/或,采集配送对象的配送关键节点数据作为所述配送对象签到行为数据;
和/或,采集配送对象的运行状态转换节点数据作为所述配送对象签到行为数据。
在一种可选的方式中,在所述得到网格聚簇结果之后,所述方法还包括:
计算目标对象的打点频次总量;
依据各个网格簇的打点频次总数对网格簇进行排序,选取排序在前n位的n个网格簇,其中n大于或等于1;
根据目标对象的打点频次总量,以及所述n个网格簇的每个网格簇的打点频次总数,对所述网格聚簇结果的有效性进行验证。
在一种可选的方式中,所述根据网格聚簇结果,对目标对象的位置数据进行校验处理进一步包括:
选取打点频次总数最多的网格簇,获取所述打点频次总数最多的网格簇的簇中心位置数据以及聚簇半径;
将所述簇中心位置数据与所述目标对象的初始位置数据进行比较,根据比较结果与聚簇半径对目标对象的位置数据进行校验处理,以得到目标对象位置数据的校验结果。
在一种可选的方式中,所述根据网格聚簇结果,对目标对象的位置数据进行校验处理进一步包括:
根据网络聚簇结果,对所述目标对象的位置数据进行校验处理,挖掘出位置数据存在错误的目标对象;
根据网格聚簇结果,对存在错误的目标对象的位置数据进行修正。
根据本发明实施例的另一方面,提供了一种位置数据的校验装置,包括:
数据采集模块,用于采集针对目标对象的签到行为数据,对所述签到行为数据进行处理得到打点位置数据;
网格化处理模块,用于对所述打点位置数据进行网格化处理,生成网格化数据;
聚类模块,用于依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果;
校验模块,用于根据网格聚簇结果,对目标对象的位置数据进行校验处理。
在一种可选的方式中,所述网格化数据包括:目标对象标识、网格位置数据以及打点频次。
在一种可选的方式中,所述网格化处理模块具体用于:
根据网格位置数据,对网格进行聚类处理,得到至少一个网格簇;
针对每个网格簇,对属于该网格簇的一个或多个网格的打点频次进行统计,得到该网格簇的打点频次总数。
在一种可选的方式中,所述数据采集模块具体用于:采集针对目标对象的用户签到行为数据和配送对象签到行为数据。
在一种可选的方式中,所述用户签到行为数据包括以下数据中的一种或多种:用户扫码行为数据、用户领券行为数据、用户消费行为数据。
在一种可选的方式中,所述数据采集模块具体用于:
采集与目标对象相关的配送对象的运行轨迹数据,从运行轨迹数据中提取符合预设条件的停留行为数据作为所述配送对象签到行为数据;
和/或,采集配送对象的配送关键节点数据作为所述配送对象签到行为数据;
和/或,采集配送对象的运行状态转换节点数据作为所述配送对象签到行为数据。
在一种可选的方式中,所述装置还包括:验证模块,用于计算目标对象的打点频次总量;依据各个网格簇的打点频次总数对网格簇进行排序,选取排序在前n位的n个网格簇,其中n大于或等于1;根据目标对象的打点频次总量,以及所述n个网格簇的每个网格簇的打点频次总数,对所述网格聚簇结果的有效性进行验证。
在一种可选的方式中,所述校验模块具体用于:
选取打点频次总数最多的网格簇,获取所述打点频次总数最多的网格簇的簇中心位置数据以及聚簇半径;
将所述簇中心位置数据与所述目标对象的初始位置数据进行比较,根据比较结果与聚簇半径对目标对象的位置数据进行校验处理,以得到目标对象位置数据的校验结果。
在一种可选的方式中,所述校验模块具体用于:
根据网络聚簇结果,对所述目标对象的位置数据进行校验处理,挖掘出位置数据存在错误的目标对象;
根据网格聚簇结果,对存在错误的目标对象的位置数据进行修正。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述位置数据的校验方法对应的操作。
根据本发明实施例的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述位置数据的校验方法对应的操作。
根据本发明实施例的提供的位置数据的校验方法及装置,通过采集针对目标对象的签到行为数据,得到打点位置数据;对打点位置数据进行网格化处理,依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果,根据网格聚簇结果,对目标对象的位置数据进行校验处理。本发明实施例通过进行网格化处理,可以控制单个目标对象的数据处理上限,降低了数据处理的量级,大大提升了数据处理的效率,还保证后续数据处理的稳定性。而且,网格化处理充分保留了原始打点数据,并未丢失有效数据,保证了最终获取的位置数据的精度,提升了位置数据校验的准确性。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的位置数据的校验方法的流程图;
图2示出了根据本发明另一个实施例的位置数据的校验方法的流程图;
图3示出了根据本发明一个实施例的位置数据的校验装置的结构示意图;
图4示出了根据本发明一个实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明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发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供的位置数据的校验方法适用于基于位置服务的业务系统,在业务系统的后台服务器中需要维护大量的位置数据,一旦位置数据出现偏差,则会大大影响业务的前端服务。由于业务系统的后台服务器维护的位置数据量级巨大,如何能够提供一种高效的技术手段在这些巨大量级的位置数据中挖掘出错误的商户位置是本发明实施例所要解决的技术问题。
图1示出了根据本发明一个实施例的位置数据的校验方法的流程图,如图1所示,该方法包括如下步骤:
步骤101,采集针对目标对象的签到行为数据,对签到行为数据进行处理得到打点位置数据。
本发明实施例中,目标对象为业务系统的服务对象,目标对象的位置数据是业务系统提供服务所依赖的数据。本方法中,首先采集针对目标对象的签到行为数据,该签到行为数据可以为业务系统中与目标对象存在服务关系的其它对象的行为数据,也可以为目标对象自身的行为数据,本发明对此不作限制。
在获得针对目标对象的签到行为数据之后,从这些签到行为数据中提取出包含目标对象的位置数据的签到行为数据,一次包含目标对象的位置数据的签到行为对应一个打点,最终得到针对目标对象的打点位置数据。
步骤102,对打点位置数据进行网格化处理,生成网格化数据。
考虑到业务系统维护的位置数据量级很大,针对目标对象的打点位置数据的量级更大,在位置数据的校验过程中,如果将每个目标对象的所有打点位置数据都考虑在内,以单次打点为聚类对象进行聚类处理,所需处理的数据量很大,势必大大影响处理效率。
本发明实施例所采用的方法是,对预设地理范围进行网格划分,例如,设定网格边长为L米,按L米*L米对预设地理范围进行网格划分,将打点位置数据映射到对应的网格里,生成网格化数据。网格化数据包括:目标对象标识、网格位置数据以及打点频次。其中,网格位置数据可以为网格中心点位置数据,打点频次具体为映射到网格里的打点位置数据的总数。
举例来说,收集某个目标对象方圆1km的范围内的打点位置数据,取L=10,那么网格的最大数量为(1000/10)2=10000个。假设该目标对象的打点位置数据为15万个,将这些打点位置数据映射到10000个网格中,最终得到的网格化数据不会超过10000,只有几千个。
通过进行网格化处理,可以控制单个目标对象的数据处理上限,降低了数据处理的量级,大大提升了数据处理的效率,还保证后续数据处理的稳定性。而且,网格化处理充分保留了原始打点数据,并未丢失有效数据,保证了最终获取的位置数据的精度。
本发明实施例对网格的形状不作限定,网格形状不仅限于是正方形,还可以是长方形、不规则多边形等其它形状。同时,本发明实施例对网格的大小也不作限定,网格划分不一定按照固定的大小来划分,同一地理范围内各个网格的大小可以不相同。
步骤103,依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果。
不同于以单次打点为聚类对象进行聚类处理,本发明实施例以网格为聚类对象进行聚类处理。本实施例所采用的聚类算法可以是DBscan(Density-Based SpatialClustering of Applications with Noise,具有噪声的基于密度的聚类算法),通过该算法能够把具有足够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簇。本实施例对网格进行聚类,得到至少一个网格簇,对网格聚类的依据是网格位置数据,例如网格中心点位置数据。
本发明实施例采用的聚类算法不仅限于是DBscan算法,还可采用其它聚类算法,如KMeans算法、层次聚类算法等,本发明对此不作限制。
步骤104,根据网格聚簇结果,对目标对象的位置数据进行校验处理。
在得到网格聚簇结果之后,根据网格聚簇结果可以解析出针对目标对象的打点位置数据的密度分布结果,根据该密度分布结果与目标对象的初始位置数据进行对比,可以分析出目标对象的初始位置数据是否存在错误,进而挖掘出相应的错误情报信息,利用错误情报信息对存在错误的目标对象的位置数据进行修正。
根据本发明实施例提供的位置数据的校验方法,通过采集针对目标对象的签到行为数据,得到打点位置数据;对打点位置数据进行网格化处理,依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果,根据网格聚簇结果,对目标对象的位置数据进行校验处理。本发明实施例通过进行网格化处理,可以控制单个目标对象的数据处理上限,降低了数据处理的量级,大大提升了数据处理的效率,还保证后续数据处理的稳定性。而且,网格化处理充分保留了原始打点数据,并未丢失有效数据,保证了最终获取的位置数据的精度,提升了位置数据校验的准确性。
本发明实施例的技术方案适用于各类基于位置服务的业务平台,下面以外卖业务平台为例,详细介绍本发明实施例的技术方案。具体地,目标对象为商户,在外卖业务平台中与商户存在服务关系的其它对象包括但不限于用户和配送对象。
图2示出了根据本发明一个实施例的位置数据的校验方法的流程图,如图2所示,该方法包括以下步骤:
步骤201,采集针对商户的签到行为数据,对签到行为数据进行处理得到商户的打点位置数据。
在外卖业务平台中,用户和配送对象(如骑手)是与商户具有密切服务关系的对象,本步骤可以采集针对商户的用户签到行为数据和配送对象签到行为数据。
其中,用户签到行为数据包括以下数据中的一种或多种:用户扫码行为数据、用户领券行为数据、用户消费行为数据。具体的采集方式为:收集预设时间段内的商户交易日志,例如,收集商户近三个月内的商户交易日志,从商户交易日志中提取包含位置数据的用户签到行为数据。用户的上述签到行为的发生地与商户位置密切相关,即签到行为发生地就是商户线下所在地。例如,扫码行为通常发生在用户线下到店消费过程中,用户扫码行为数据包含的位置数据可作为是商户位置的参考依据。同理,消费行为通常也发生在用户线下到店消费过程中,用户消费行为数据包含的位置数据也可作为商户位置的参考依据。有一部分领券行为也发生在用户线下到店消费过程中,对于用户领券行为数据可以进行预先区分,查看用户领券行为数据中包含的位置数据是否与商户的初始位置数据距离较近(比如两者距离小于预设阈值),将距离较近的用户领券行为数据作为商户位置的参考依据。
本发明中用户签到行为数据不仅限于上述几种数据,任何线下发生地与商户行为密切相关的用户签到行为都可考虑在内。
如果仅仅将用户签到行为数据作为针对商户的签到行为数据,数据来源相对单一,会造成后续聚簇结果覆盖率低的问题。为了进一步提升聚簇结果的覆盖率,本发明实施例还引入了配送对象签到行为数据,以便充分利用数据源来进行情报挖掘。
具体地,采集针对商户的配送对象签到行为数据进一步包括:方式一,采集与商户相关的配送对象的运行轨迹数据,从运行轨迹数据中提取符合预设条件的停留行为数据作为配送对象签到行为数据;和/或,方式二,采集配送对象的配送关键节点数据作为配送对象签到行为数据;和/或,方式三,采集配送对象的运行状态转换节点数据作为配送对象签到行为数据。为了不影响业务系统的正常运行,以上三种方式均可以是离线处理方式。
在方式一中,通过离线的停留点识别算法,提取配送对象经过商户的停留点。具体地,采集与商户相关的配送对象的运行轨迹数据,该运行轨迹来源于地图数据,从运行轨迹数据中提取停留点(即停留行为数据)。停留点定义为:配送对象的活动半径小于或等于预设半径阈值而且活动时间大于或等于预设时间阈值的地点,即配送对象在某一处停留时间较长的地点为停留点。通过这种方式,可从运行轨迹数据中提取出很多停留点,为了排除一些与商户所在地停留无关的停留点(例如,排除掉等红绿灯的停留点等),需要对停留点进行进一步过滤,保留符合预设条件的停留点,具体为:保留停留点与商户的初始位置之间的距离小于或等于预设距离阈值的停留点,和/或,保留停留点对应的时间与配送对象的到店时间的时间间隔小于或等于预设间隔阈值的停留点,即保留与商户所在地足够近的停留点,和/或,保留停留点对应的时间与配送对象的到店时间足够接近的停留点。
在方式二中,通过离线的配送状态提取,采集配送对象的配送关键节点数据,配送关键节点包括但不限于是到店、取餐等节点,这些节点通常都是配送对象到达商户所在地的节点。
在方式三中,通过离线的轨迹切分,采集配送对象的运行状态转换节点数据。具体地,采集与商户相关的配送对象的运行轨迹数据,该运行轨迹来源于地图数据,从运行轨迹数据中提取运行状态转换节点,该运行状态转换节点可以为配送对象从骑行状态转为步行状态的节点,其中运行状态转换可以根据配送对象的运行速度信息来确定,也可以根据配送对象端的传感器上报数据来确定。在得到运行状态转换节点之后,也需要对运行状态转换节点进行进一步过滤,保留符合预设条件的运行状态转换节点,具体为:保留运行状态转换节点与商户的初始位置之间的距离小于或等于预设距离阈值的运行状态转换节点,和/或,保留运行状态转换节点对应的时间与配送对象的到店时间的时间间隔小于或等于预设间隔阈值的运行状态转换节点。
应当理解的是,本实施例上述各种阈值可以根据实际场景中相应的实际应用情况来确定,不同实际应用情况下对应的阈值可以不同,停留点的筛选条件下的预设距离阈值、预设间隔阈值可以分别不同于运行状态转换节点的筛选条件下的预设距离阈值、预设间隔阈值,当然也可以相同,本发明对此不作限制。
以上用户签到行为数据和配送对象签到行为数据中均包含位置数据,从中提取出位置数据得到商户的打点位置数据,一次签到行为对应一个打点,最终得到商户的打点位置数据,具体格式为:商户id,位置数据。
步骤202,对商户的打点位置数据进行网格化处理,生成网格化数据,具体格式为:商户id,网格位置数据,打点频次。
在步骤202之前,已经对预设地理范围进行了网格划分,例如,设定网格边长为L米,按L米*L米对预设地理范围进行网格划分。本步骤具体为:将打点位置数据映射到对应的网格里,生成网格化数据。也即,将连续的坐标位置数据进行离散化,分别映射到相应的网格中。网格化数据包括:商户id、网格位置数据以及打点频次。其中,网格位置数据可以为网格中心点位置数据,打点频次具体为映射到网格里的打点位置数据的总数。
举例来说,收集某商户方圆1km的范围内的打点位置数据,取L=10,那么网格的最大数量为(1000/10)2=10000个。假设该商户的打点位置数据为15万个,将这些打点位置数据映射到10000个网格中,最终得到的网格化数据不会超过10000,只有几千个。
通过进行网格化处理,可以控制单个商户的数据处理上限,降低了数据处理的量级,大大提升了数据处理的效率,还保证后续数据处理的稳定性。而且,网格化处理充分保留了原始打点数据,并未丢失有效数据,保证了最终获取的位置数据的精度。
步骤203,根据网格位置数据,对网格进行聚类处理,得到至少一个网格簇。
本步骤具体采用DBscan聚类算法,根据网格位置数据将具有足够密度的网格所在区域划分为一个网格簇,将网格聚类到至少一个网格簇中,得到网格聚簇结果。该网格聚簇结果至少包括:网格簇的簇中心位置数据以及聚簇半径。
步骤204,针对每个网格簇,对属于该网格簇的一个或多个网格的打点频次进行统计,得到该网格簇的打点频次总数。
本步骤中,针对每个网格簇,对属于该网格簇的一个或多个网格的打点频次进行累加,得到该网格簇的打点频次总数。一个网格簇的打点频次总数反映出该网格簇的打点位置数据的密度,密度越高的网格簇内出现商户实际所在地的可能性越大。
步骤205,对网格聚簇结果的有效性进行验证。
为了进一步提升商户位置错误情报的准确率,本发明实施例对网格聚簇结果的有效性予以验证。该有效性验证的指标主要包含:商户的打点频次总量,排序在前n位的网格簇的打点频次总数占商户的打点频次总量的比例。
具体地,首先计算商户的打点频次总量。商户的打点频次总量是上述商户的打点位置数据的总数。然后,依据各个网格簇的打点频次总数对网格簇进行排序,选取排序在前n位的n个网格簇,其中n大于或等于1;优先地,n=2,即选取第一大网格簇和第二大网格簇。根据商户的打点频次总量,以及n个网格簇的每个网格簇的打点频次总数,对网格聚簇结果的有效性进行验证。假设预先设定频次阈值X,比例阈值Y和Z,Y大于Z。判断第一大网格簇的打点频次总数是否大于或等于频次阈值X,同时第一大网格簇的打点频次总数占商户的打点频次总量的比例是否大于或等于Y,第二大网格簇的打点频次总数占商户的打点频次总量的比例是否小于或等于Z,若是,则判定网格聚簇结果有效,否则,不再对商户的网格聚簇结果进行后续处理。
通过进行上述有效性验证,保证验证通过的网格聚簇结果才会用作后续商户位置比对的依据,筛掉了一些不太准确的网格聚簇结果,避免了这些网格聚簇结果影响后续商户位置错误情报挖掘的准确性。
步骤206,根据网格聚簇结果,对商户的位置数据进行校验处理,挖掘出位置数据存在错误的商户。
为了挖掘出业务系统中维护的大量的商户位置是否存在个别商户位置错误的情报,本实施例通过上述各个步骤获取到商户的网格聚簇结果,针对每个商户进行位置的比较,以确定哪些商户的位置存在错误,并输出商户位置错误情报信息。
具体地,选取打点频次总数最多的网格簇,即第一大网格簇,获取第一大网格簇的簇中心位置数据以及聚簇半径;将第一大网格簇的簇中心位置数据与商户的初始位置数据进行比较,根据比较结果与聚簇半径进行错误商户的判定。预先设定倍数阈值F,以及距离阈值T,具体判定逻辑可以为:第一大网格簇的簇中心位置数据与商户的初始位置数据之间的间距大于或等于聚簇半径的F倍,而且还应大于或等于距离阈值T。若上述判定逻辑的输出结果为是,则判定商户的位置出现错误,及时输出商户位置错误情报信息。
可选地,在得到商户位置错误的情报信息之后,根据网格聚簇结果,对存在错误的商户的位置数据进行修正,比如,将商户的初始位置数据修正为第一大网格簇的簇中心位置数据。
本发明上述实施例中,采集的数据源不仅包括用户签到行为数据,还包括配送对象签到行为数据,引入了配送对象到店、取餐、停留、骑行转步行等行为数据,这些数据的引入能够解决用户行为数据的数据量过少而导致无法聚集成簇的问题,有效提升了聚簇结果的覆盖率,以充分利用数据源来进行情报挖掘,提升了情报挖掘的有效性。
本发明实施例通过进行网格化处理,可以控制单个商户的数据处理上限,降低了数据处理的量级,大大提升了数据处理的效率,还保证后续数据处理的稳定性。而且,网格化处理充分保留了原始打点数据,并未丢失有效数据,保证了最终获取的位置数据的精度。
本发明实施例通过网格聚簇结果的有效性验证,保证验证通过的网格聚簇结果才会用作后续商户位置比对的依据,筛掉了一些不太准确的网格聚簇结果,避免了这些网格聚簇结果影响后续商户位置错误情报挖掘的准确性。通过商户位置数据错误的判定,提供了有效的商户位置错误情报挖掘方式。
图3示出了本发明实施例提供的位置数据的校验装置的结构示意图。如图3所示,该装置300包括:数据采集模块310、网格化处理模块320、聚类模块330和校验模块340。
数据采集模块310,用于采集针对目标对象的签到行为数据,对所述签到行为数据进行处理得到打点位置数据;网格化处理模块320,用于对所述打点位置数据进行网格化处理,生成网格化数据;聚类模块330,用于依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果;校验模块340,用于根据网格聚簇结果,对目标对象的位置数据进行校验处理。
在一种可选的方式中,所述网格化数据包括:目标对象标识、网格位置数据以及打点频次。
在一种可选的方式中,所述网格化处理模块320具体用于:
根据网格位置数据,对网格进行聚类处理,得到至少一个网格簇;
针对每个网格簇,对属于该网格簇的一个或多个网格的打点频次进行统计,得到该网格簇的打点频次总数。
在一种可选的方式中,所述数据采集模块310具体用于:采集针对目标对象的用户签到行为数据和配送对象签到行为数据。
在一种可选的方式中,所述用户签到行为数据包括以下数据中的一种或多种:用户扫码行为数据、用户领券行为数据、用户消费行为数据。
在一种可选的方式中,所述数据采集模块310具体用于:
采集与目标对象相关的配送对象的运行轨迹数据,从运行轨迹数据中提取符合预设条件的停留行为数据作为所述配送对象签到行为数据;
和/或,采集配送对象的配送关键节点数据作为所述配送对象签到行为数据;
和/或,采集配送对象的运行状态转换节点数据作为所述配送对象签到行为数据。
在一种可选的方式中,所述装置还包括:验证模块350,用于计算目标对象的打点频次总量;依据各个网格簇的打点频次总数对网格簇进行排序,选取排序在前n位的n个网格簇,其中n大于或等于1;根据目标对象的打点频次总量,以及所述n个网格簇的每个网格簇的打点频次总数,对所述网格聚簇结果的有效性进行验证。
在一种可选的方式中,所述校验模块340具体用于:
选取打点频次总数最多的网格簇,获取所述打点频次总数最多的网格簇的簇中心位置数据以及聚簇半径;
将所述簇中心位置数据与所述目标对象的初始位置数据进行比较,根据比较结果与聚簇半径对目标对象的位置数据进行校验处理,以得到目标对象位置数据的校验结果。
在一种可选的方式中,所述校验模块340具体用于:
根据网络聚簇结果,对所述目标对象的位置数据进行校验处理,挖掘出位置数据存在错误的目标对象;
根据网格聚簇结果,对存在错误的目标对象的位置数据进行修正。
以上各模块的描述参照方法实施例中对应的描述,在此不再赘述。
根据本发明实施例提供的位置数据的校验装置,通过采集针对目标对象的签到行为数据,得到打点位置数据;对打点位置数据进行网格化处理,依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果,根据网格聚簇结果,对目标对象的位置数据进行校验处理。本发明实施例通过进行网格化处理,可以控制单个目标对象的数据处理上限,降低了数据处理的量级,大大提升了数据处理的效率,还保证后续数据处理的稳定性。而且,网格化处理充分保留了原始打点数据,并未丢失有效数据,保证了最终获取的位置数据的精度,提升了位置数据校验的准确性。
本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有至少一可执行指令,可执行指令可执行上述任意方法实施例中的位置数据的校验方法。
图4示出了根据本发明实施例的一种计算设备的结构示意图,本发明实施例的具体实施例并不对计算设备的具体实现做限定。
如图4所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述位置数据的校验方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的位置数据的校验方法。程序410中各步骤的具体实现可以参见上述位置数据的校验方法实施例中的相应步骤和单元中对应的描述,在此不赘述。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,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法或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,本发明实施例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实施例的内容,并且上面对特定语言所做的描述是为了披露本发明实施例的较佳实施方式。
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,为了精简本发明实施例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,本发明实施例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实施例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一些或者全部部件的一些或者全部功能。本发明实施例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)。这样的实现本发明实施例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实施例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。本发明实施例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。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (16)
1.一种位置数据的校验方法,包括:
采集针对目标对象的签到行为数据,对所述签到行为数据进行处理得到打点位置数据;其中,采集与目标对象相关的配送对象的运行轨迹数据,从运行轨迹数据中提取符合预设条件的停留行为数据作为签到行为数据;以及,采集与目标对象相关的配送对象的配送关键节点数据以及所述配送对象的运行状态转换节点数据,得到所述签到行为数据;其中,所述配送关键节点数据包括配送对象到达商户所在地的节点的数据,所述配送对象的运行状态转换节点数据包括配送对象从骑行状态转为步行状态的节点数据;
将所述打点位置数据映射到所划分的网格里,生成网格化数据,所述网格化数据包括:目标对象标识、网格位置数据以及打点频次;
依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果;
根据网格聚簇结果,对目标对象的位置数据进行校验处理。
2.根据权利要求1所述的方法,所述依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果进一步包括:
根据网格位置数据,对网格进行聚类处理,得到至少一个网格簇;
针对每个网格簇,对属于该网格簇的一个或多个网格的打点频次进行统计,得到该网格簇的打点频次总数。
3.根据权利要求1所述的方法,所述采集针对目标对象的签到行为数据还包括:采集针对目标对象的用户签到行为数据。
4.根据权利要求3所述的方法,所述用户签到行为数据包括以下数据中的一种或多种:用户扫码行为数据、用户领券行为数据、用户消费行为数据。
5.根据权利要求2所述的方法,在所述得到网格聚簇结果之后,所述方法还包括:
计算目标对象的打点频次总量;
依据各个网格簇的打点频次总数对网格簇进行排序,选取排序在前n位的n个网格簇,其中n大于或等于1;
根据目标对象的打点频次总量,以及所述n个网格簇的每个网格簇的打点频次总数,对所述网格聚簇结果的有效性进行验证。
6.根据权利要求2所述的方法,所述根据网格聚簇结果,对目标对象的位置数据进行校验处理进一步包括:
选取打点频次总数最多的网格簇,获取所述打点频次总数最多的网格簇的簇中心位置数据以及聚簇半径;
将所述簇中心位置数据与所述目标对象的初始位置数据进行比较,根据比较结果与聚簇半径对目标对象的位置数据进行校验处理,以得到目标对象位置数据的校验结果。
7.根据权利要求1-6中任一项所述的方法,所述根据网格聚簇结果,对目标对象的位置数据进行校验处理进一步包括:
根据网络聚簇结果,对所述目标对象的位置数据进行校验处理,挖掘出位置数据存在错误的目标对象;
根据网格聚簇结果,对存在错误的目标对象的位置数据进行修正。
8.一种位置数据的校验装置,包括:
数据采集模块,用于采集针对目标对象的签到行为数据,对所述签到行为数据进行处理得到打点位置数据;其中,采集与目标对象相关的配送对象的运行轨迹数据,从运行轨迹数据中提取符合预设条件的停留行为数据作为签到行为数据;以及,采集与目标对象相关的配送对象的配送关键节点数据以及所述配送对象的运行状态转换节点数据,得到所述签到行为数据;其中,所述配送关键节点数据包括配送对象到达商户所在地的节点的数据,所述配送对象的运行状态转换节点数据包括配送对象从骑行状态转为步行状态的节点数据;
网格化处理模块,用于将所述打点位置数据映射到所划分的网格里,生成网格化数据,所述网格化数据包括:目标对象标识、网格位置数据以及打点频次;
聚类模块,用于依据网格化数据进行以网格为聚类对象的聚类处理,得到网格聚簇结果;
校验模块,用于根据网格聚簇结果,对目标对象的位置数据进行校验处理。
9.根据权利要求8所述的装置,所述网格化处理模块具体用于:
根据网格位置数据,对网格进行聚类处理,得到至少一个网格簇;
针对每个网格簇,对属于该网格簇的一个或多个网格的打点频次进行统计,得到该网格簇的打点频次总数。
10.根据权利要求8所述的装置,所述数据采集模块还用于:采集针对目标对象的用户签到行为数据。
11.根据权利要求10所述的装置,所述用户签到行为数据包括以下数据中的一种或多种:用户扫码行为数据、用户领券行为数据、用户消费行为数据。
12.根据权利要求9所述的装置,所述装置还包括:验证模块,用于计算目标对象的打点频次总量;依据各个网格簇的打点频次总数对网格簇进行排序,选取排序在前n位的n个网格簇,其中n大于或等于1;根据目标对象的打点频次总量,以及所述n个网格簇的每个网格簇的打点频次总数,对所述网格聚簇结果的有效性进行验证。
13.根据权利要求9所述的装置,所述校验模块具体用于:
选取打点频次总数最多的网格簇,获取所述打点频次总数最多的网格簇的簇中心位置数据以及聚簇半径;
将所述簇中心位置数据与所述目标对象的初始位置数据进行比较,根据比较结果与聚簇半径对目标对象的位置数据进行校验处理,以得到目标对象位置数据的校验结果。
14.根据权利要求8-13中任一项所述的装置,所述校验模块进一步用于:
根据网络聚簇结果,对所述目标对象的位置数据进行校验处理,挖掘出位置数据存在错误的目标对象;
根据网格聚簇结果,对存在错误的目标对象的位置数据进行修正。
15.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的位置数据的校验方法对应的操作。
16.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的位置数据的校验方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011230356.6A CN112258126B (zh) | 2020-11-06 | 2020-11-06 | 位置数据的校验方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011230356.6A CN112258126B (zh) | 2020-11-06 | 2020-11-06 | 位置数据的校验方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258126A CN112258126A (zh) | 2021-01-22 |
CN112258126B true CN112258126B (zh) | 2022-03-04 |
Family
ID=74265425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011230356.6A Active CN112258126B (zh) | 2020-11-06 | 2020-11-06 | 位置数据的校验方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258126B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935439A (zh) * | 2023-02-27 | 2023-04-07 | 蓝象智联(杭州)科技有限公司 | 一种基于隐匿求交的地理位置核验方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204118A (zh) * | 2016-06-30 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 一种用于商圈发现的方法与装置 |
CN106570722A (zh) * | 2016-10-31 | 2017-04-19 | 上海斐讯数据通信技术有限公司 | 一种智能推荐系统及智能推荐方法 |
CN109405840A (zh) * | 2017-08-18 | 2019-03-01 | 中兴通讯股份有限公司 | 地图数据更新方法、服务器及计算机可读存储介质 |
CN110049434A (zh) * | 2019-05-07 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种定位方法、装置、设备及存储介质 |
CN110659961A (zh) * | 2019-09-12 | 2020-01-07 | 阿里巴巴集团控股有限公司 | 一种用于识别线下商户的方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729368A (zh) * | 2017-09-08 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 一种用于poi数据校验的方法和装置 |
CN110826782B (zh) * | 2019-10-25 | 2022-10-14 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理的方法、装置、可读存储介质和电子设备 |
CN111369137A (zh) * | 2020-03-03 | 2020-07-03 | 拉扎斯网络科技(上海)有限公司 | 配送任务的分配方法、装置、服务器和存储介质 |
-
2020
- 2020-11-06 CN CN202011230356.6A patent/CN112258126B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204118A (zh) * | 2016-06-30 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 一种用于商圈发现的方法与装置 |
CN106570722A (zh) * | 2016-10-31 | 2017-04-19 | 上海斐讯数据通信技术有限公司 | 一种智能推荐系统及智能推荐方法 |
CN109405840A (zh) * | 2017-08-18 | 2019-03-01 | 中兴通讯股份有限公司 | 地图数据更新方法、服务器及计算机可读存储介质 |
CN110049434A (zh) * | 2019-05-07 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种定位方法、装置、设备及存储介质 |
CN110659961A (zh) * | 2019-09-12 | 2020-01-07 | 阿里巴巴集团控股有限公司 | 一种用于识别线下商户的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112258126A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171452A (zh) | 一种快递点选址方法及装置 | |
CN109615122B (zh) | 配送范围的生成方法、装置、电子设备和存储介质 | |
CN111460312A (zh) | 空壳企业识别方法、装置及计算机设备 | |
CN110599200B (zh) | Ota酒店的虚假地址的检测方法、系统、介质及设备 | |
CN107481511A (zh) | 一种计算候选公交站点的方法及系统 | |
CN104090882B (zh) | 一种广告订单的快速聚类方法及系统、服务器 | |
CN104112026A (zh) | 一种短信文本分类方法及系统 | |
CN110471999B (zh) | 轨迹处理方法、装置、设备和介质 | |
CN111914939A (zh) | 识别模糊图像的方法、装置、设备及计算机可读存储介质 | |
CN112087316B (zh) | 基于异常数据分析的网络异常根源定位方法 | |
CN112258126B (zh) | 位置数据的校验方法、装置及计算设备 | |
CN109977131A (zh) | 一种房型匹配系统 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN107391728B (zh) | 数据挖掘方法以及数据挖掘装置 | |
CN111461630A (zh) | 派送快递包裹的监控方法、装置、设备及存储介质 | |
CN112257970A (zh) | 一种基于兴趣点大数据的城市功能区自动划分方法 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
CN109739840A (zh) | 数据空值处理方法、装置及终端设备 | |
CN111984637B (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
CN108874974A (zh) | 基于频繁词集的并行化话题跟踪方法 | |
CN112464970A (zh) | 区域价值评估模型处理方法、装置及计算设备 | |
CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
CN113537806A (zh) | 异常用户识别方法、装置、电子设备及可读存储介质 | |
CN115280374A (zh) | 标注方法和装置 | |
CN112434650A (zh) | 一种多光谱图像建筑物变化检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |