CN112445976A - 一种基于拥堵指数图谱的城市地址定位方法 - Google Patents
一种基于拥堵指数图谱的城市地址定位方法 Download PDFInfo
- Publication number
- CN112445976A CN112445976A CN202011386234.6A CN202011386234A CN112445976A CN 112445976 A CN112445976 A CN 112445976A CN 202011386234 A CN202011386234 A CN 202011386234A CN 112445976 A CN112445976 A CN 112445976A
- Authority
- CN
- China
- Prior art keywords
- address
- entity
- data
- longitude
- congestion index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 206010021703 Indifference Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Navigation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于拥堵指数图谱的城市地址定位方法，属于地址定位领域，包括以下步骤：1)获取地址数据并清洗地址数据中的重复数据，形成符合标准的地址数据集，地址数据集包括实体、实体关系和实体的经纬度坐标；2)获取实体一年内所有的交通拥挤数据，交通拥挤数据经过处理后形成实体的全年平均拥堵指数；3)根据获得的实体、实体关系、经纬度坐标和全年平均拥堵指数形成知识图谱；4)通过实体和实体关系在知识图谱中找出与待定位地址相似度最高的最匹配地址；5)通过比对待定位地址与最匹配地址的经纬度坐标和全年平均拥堵指数判断定位成功与否。本发明公开的城市地址定位方法，准确定位出经纬度相同的交叉道路中正确的道路。
Description
技术领域
本发明属于地址定位领域，尤其涉及一种基于拥堵指数图谱的城市地址定位方法。
背景技术
随着信息技术的迅猛发展，打造智慧型城市成为不可更改的趋势。但在如今的大数据环境下建立多样化、系统化的智慧城市，在处理地理信息问题时，必须基于优秀的地址定位方法。如今的地址定位方法大多依赖于GPS提供的地址坐标信息，即通过地址的经纬度来确认其基本位置。
现在的地址定位方法主要是通过地址的经纬度来进行位置的匹配，这就要求记录的地址经纬度信息必须要准确无误，但仅有地址的经纬度信息一个指标，其准确性难以进行验证。一方面，城市中的道路往往占据了很大的一片区域，难以仅仅使用一个地址经纬度对其进行描述；另一方面，由于交叉路口的存在，相交的两条道路共用一个地址经纬度坐标，匹配时也会出现误差。
发明内容
本发明的目的在于：提出一种包含拥堵指数图谱的城市地址定位方法，通过知识图谱的方法对道路信息进行存储。知识图谱中的实体除了记录道路的地址经纬度坐标之外，还加入了该道路的全年平均拥堵指数这一新的维度指标。在进行地址定位时除了匹配地址的经纬度，其拥堵指数也要大致相同，从而起到辅助地理定位的效果。
为了实现上述目的，本发明采用了如下技术方案：一种基于拥堵指数图谱的城市地址定位方法，包括以下步骤：
1)获取地址数据并清洗地址数据中的重复数据，形成符合标准的地址数据集，地址数据集包括实体、实体关系和实体的经纬度坐标，实体包括道路的标准名称以及省、市、区三级地址要素名称；
2)获取实体一年内所有的交通拥挤数据，交通拥挤数据经过处理后形成实体的全年平均拥堵指数；
3)根据获得的实体、实体关系、经纬度坐标和全年平均拥堵指数形成知识图谱；
4)通过实体和实体关系在知识图谱中找出与待定位地址相似度最高的最匹配地址；
5)比对待定位地址与最匹配地址的经纬度坐标和全年平均拥堵指数是否符合要求，符合则定位成功，不符合则定位失败。
作为上述技术方案的进一步描述：
在步骤1)中，地址数据包括标准地址数据和网络爬取的POI地址数据。
作为上述技术方案的进一步描述：
在步骤1)中，遍历所有的地址数据后，对挑选出的数据进行全角/半角处理，去除掉数据中的非法字符以及会影响实体关系的英文字母或数字，去除数据中的重复地址数据，实现地址数据的清洗。
作为上述技术方案的进一步描述：
在步骤1)中，实体关系包括“平行”、“相交”和“包含”，实体关系用来表示路与路之间的关系以及道路所在的省、市、区。
作为上述技术方案的进一步描述：
在步骤2)中，通过百度地图获取到实体一年内所有的交通拥挤数据，然后对这些数据进行数据的预处理，使用最小最大规范化方法对这些数据进行标准化，消除指标之间的量纲和取值范围差异的影响。
作为上述技术方案的进一步描述：
在步骤4)中，利用基于特征属性权重的文本相似度算法计算知识图谱实体相似度从而找到与待定位地址最为相似的最匹配地址。
作为上述技术方案的进一步描述：
在步骤5)中，通过经纬度坐标计算最匹配地址与待定位地址的经纬度间距，同时计算两者全年平均拥堵指数的差值，经纬度间距和全年平均拥堵指数的差值符合要求，待定位地址定位成功，经纬度间距和地址实体拥堵指数的差值中任意一项不符合要求，待定位地址定位失败。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，首先建立地址定位知识图谱，知识图谱包含了实体、实体关系、经纬度坐标和全年平均拥堵指数，除了地址经纬度这一单一指标，还加入交通拥挤指数作为第二指标，辅助进行城市地址定位。由于每条道路的全年平均拥堵指数各不相同，所以在判断交叉路口的道路时，能够通过这一指标准确的分辨出道路，从而解决交叉道路经纬度相同而无法判断的问题。
2、本发明中，拥堵指数表示实际通行速度与自由流速度之间的关系。在对交通拥挤数据进行处理得到拥堵指数时，对于交通拥堵指数变化幅度较大，先使用最小最大规范化方法对这些数据进行标准化，消除指标之间的量纲和取值范围差异的影响，接着使用支持向量机的方法对标准化后的数据进行计算，获取最终的拥堵指数。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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为一种基于拥堵指数图谱的城市地址定位方法的地址定位流程图。
图2为一种基于拥堵指数图谱的城市地址定位方法的知识图谱实体匹配流程图。
图3为一种基于拥堵指数图谱的城市地址定位方法的知识图谱实体示例图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-3，本发明提供一种技术方案：一种基于拥堵指数图谱的城市地址定位方法，包括以下步骤：
1)获取地址数据并清洗地址数据中的重复数据，形成符合标准的地址数据集，地址数据集包括实体、实体关系和实体的经纬度坐标，实体包括道路的标准名称以及省、市、区三级地址要素名称；
2)获取实体一年内所有的交通拥挤数据，交通拥挤数据经过处理后形成实体的全年平均拥堵指数；
3)根据获得的实体、实体关系、经纬度坐标和全年平均拥堵指数形成知识图谱；
4)通过实体和实体关系在知识图谱中找出与待定位地址相似度最高的最匹配地址；
5)比对待定位地址与最匹配地址的经纬度坐标和全年平均拥堵指数是否符合要求，符合则定位成功，不符合则定位失败。
在步骤1)中，地址数据包括标准地址数据和网络爬取的POI地址数据。
在步骤1)中，遍历所有的地址数据后，对挑选出的数据进行全角/半角处理，去除掉数据中的非法字符以及会影响实体关系的英文字母或数字，去除数据中的重复地址数据，实现地址数据的清洗。
在步骤1)中，实体关系包括“平行”、“相交”和“包含”，实体关系用来表示路与路之间的关系以及道路所在的省、市、区。
在步骤2)中，通过百度地图获取到实体一年内所有的交通拥挤数据，然后对这些数据进行数据的预处理，使用最小最大规范化方法对这些数据进行标准化，消除指标之间的量纲和取值范围差异的影响。
在步骤4)中，利用基于特征属性权重的文本相似度算法计算知识图谱实体相似度从而找到与待定位地址最为相似的最匹配地址。
在步骤5)中，通过经纬度坐标计算最匹配地址与待定位地址的经纬度间距，同时计算两者全年平均拥堵指数的差值，经纬度间距和全年平均拥堵指数的差值符合要求，待定位地址定位成功，经纬度间距和地址实体拥堵指数的差值中任意一项不符合要求，待定位地址定位失败。
工作原理：
(1)知识图谱构建框架
首先建立地址定位知识图谱，知识图谱包含实体和实体关系，地址实体由道路的标准名称以及省、市、区等地址要素名称组成，地址要素名称还包括更详细的镇/街道等。实体关系有“平行”、“相交”、“包含”等，用来表示路与路之间的关系以及道路所在的省、市、区等。然后实体还包含了地址定位所需的重要属性：地址经纬度和全年平均拥堵指数。根据实体、实体关系、实体属性三者建立地址定位知识图谱。
(2)数据集与特征选取
知识图谱中的地址数据由标准地址数据和网上爬取的POI地址数据构成。对获取的地址数据进行数据清洗，遍历所有的地址数据后，对挑选出的数据进行全角/半角处理，去除掉数据中的非法字符以及会影响实体关系的英文字母或数字，去除数据中的重复地址数据，最终形成符合标准的地址数据集，能够提供较为准确的地址经纬度信息。
拥堵指数由实际通行速度与自由流速度之间的关系来表示。该方法首先通过百度地图获取到城市道路一年内所有的交通拥挤数据，然后对这些数据进行数据的预处理。由于交通拥堵指数变化幅度较大，所以使用最小最大规范化方法对这些数据进行标准化，从而消除指标之间的量纲和取值范围差异的影响。
最小最大规范化公式如下：
其中，x表示原始交通拥堵指数值，x*表示处理后的交通拥堵指数，xmax和xmin分别表示交通拥堵指数的最大和最小值。
接着使用支持向量机的方法对标准化后的数据进行计算，获取最终的拥堵指数。支持向量机的原理是构建一个可以间隔最大化的超平面来分割样本，这是一个全监督学习。假设给定一个特征空间上的训练数据：
T＝{(x1，y1)，(x2，y2)，Λ，(xn，yn)}
其中，xi∈Rd，yi∈{+1，-1}，i＝1，2，Λ，n。
n是样本数量，d是xi样本的特征维度。定义标签yi为+1时为正例，yi为-1时为负例。
对于任意输入，可以根据决策函数来推断相应的输出值，在实际应用中，通常有两类问题：线性可分和线性不可分，即硬间隔支持向量机和软间隔支持向量机。
样本集合为(xi，yi)，i＝1，2，Λ，n，对于线性可分问题，支持向量机的分类函数可以如下表示：
b*＝yi-ω·xi (3)
其中，ai表示Lagrange乘子，ω表示权值向量，“·”表示点积操作。
对于线性不可分问题，使用非线性变换方法将数据样本集映射到更高维空间，从而建立线性模型。
f(x，ω)＝ωφ(x)+b (4)
确定完支持向量机的核函数，并设置好相关的核函数参数后，就可以采用支持向量机对交通拥堵指数的样本集合进行学习，从而建立交通拥堵指数计算的分类决策函数。
最后通过分类决策函数对未来交通拥堵指数进行计算，并输出最终的交通拥挤指数结果。
(3)地址定位方法
利用基于特征属性权重的文本相似度算法计算知识图谱实体相似度从而找到与需要定位的地址最为匹配的地址。
假定待匹配地址按照其实体关系进行切分形成序列，匹配知识图谱中的地址按相同方法形成序列，使用文本空间向量表示法将Xi、Xj表示成两个n维的向量，即Xi＝(Xi1，Xi2，ΛXin)，Xj＝(Xj1，Xj2，Λ Xjn).n表示两个地址名称的序列总数，Xi与Xj的夹角余弦可以用以下公式(1)进行计算，当余弦值越趋近于1，两个地址文本就越相似。
一个实体通常包括多个实体关系。不同的实体关系在辨识和区分实体方面的能力呈现出不同的差异。在不具有相同实体的数据集中，实体关系越完整且相互间差异性越大的实体识别能力往往越好。在实体匹配过程中实体的关系所具备的识别能力越稳定，被分配的权重也就更高。
由于在匹配知识图谱中，其地址实体中基于地址要素产生了包括所在市、所在区、所在道路等等实体关系，这些实体关系因地址要素不同对地址信息的影响权重也不同，地址要素所在级别越小，赋予的实体关系权重就越高，权重的具体数值通过对待测地址数据进行实验分析得出。基于实体关系权重的实体相似度计算公式(2)如下：
其中N表示实体对共有实体关系数，E1、E2表示实体，E1ai、E2ai表示实体E1、E2的第i个实体关系，
表示共有实体关系的相似度。实体匹配过程中，通过实体相似度阈值β，来判断实体是否匹配。定义当sim(E1，E2)＞β时，实体E1、E2匹配，否则，实体E1、E2不匹配。
找到匹配的地址后，通过经纬度信息计算最匹配地址与待定位地址的经纬度间距，同时比较两个地址的全年平均拥堵指数。设置经纬度间距阈值为500，拥堵指数差值为0.01。如果计算得出两个地址的经纬度间距小于500m，且拥堵指数差值小于0.01，则判断待定位地址定位成功。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于拥堵指数图谱的城市地址定位方法，其特征在于，包括以下步骤：
1)获取地址数据并清洗地址数据中的重复数据，形成符合标准的地址数据集，地址数据集包括实体、实体关系和实体的经纬度坐标，实体包括道路的标准名称以及省、市、区三级地址要素名称；
2)获取实体一年内所有的交通拥挤数据，交通拥挤数据经过处理后形成实体的全年平均拥堵指数；
3)根据获得的实体、实体关系、经纬度坐标和全年平均拥堵指数形成知识图谱；
4)通过实体和实体关系在知识图谱中找出与待定位地址相似度最高的最匹配地址；
5)比对待定位地址与最匹配地址的经纬度坐标和全年平均拥堵指数是否符合要求，符合则定位成功，不符合则定位失败。
2.根据权利要求1所述的一种基于拥堵指数图谱的城市地址定位方法，其特征在于，在所述步骤1)中，地址数据包括标准地址数据和网络爬取的POI地址数据。
3.根据权利要求1所述的一种基于拥堵指数图谱的城市地址定位方法，其特征在于，在所述步骤1)中，遍历所有的地址数据后，对挑选出的数据进行全角/半角处理，去除掉数据中的非法字符以及会影响实体关系的英文字母或数字，去除数据中的重复地址数据，实现地址数据的清洗。
4.根据权利要求1所述的一种基于拥堵指数图谱的城市地址定位方法，其特征在于，在所述步骤1)中，实体关系包括“平行”、“相交”和“包含”，实体关系用来表示路与路之间的关系以及道路所在的省、市、区。
5.根据权利要求1所述的一种基于拥堵指数图谱的城市地址定位方法，其特征在于，在所述步骤2)中，通过百度地图获取到实体一年内所有的交通拥挤数据，然后对这些数据进行数据的预处理，使用最小最大规范化方法对这些数据进行标准化，消除指标之间的量纲和取值范围差异的影响。
6.根据权利要求1所述的一种基于拥堵指数图谱的城市地址定位方法，其特征在于，在所述步骤4)中，利用基于特征属性权重的文本相似度算法计算知识图谱实体相似度从而找到与待定位地址最为相似的最匹配地址。
7.根据权利要求1所述的一种基于拥堵指数图谱的城市地址定位方法，其特征在于，在所述步骤5)中，通过经纬度坐标计算最匹配地址与待定位地址的经纬度间距，同时计算两者全年平均拥堵指数的差值，经纬度间距和全年平均拥堵指数的差值符合要求，待定位地址定位成功，经纬度间距和地址实体拥堵指数的差值中任意一项不符合要求，待定位地址定位失败。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011386234.6A CN112445976B (zh) | 2020-12-01 | 2020-12-01 | 一种基于拥堵指数图谱的城市地址定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011386234.6A CN112445976B (zh) | 2020-12-01 | 2020-12-01 | 一种基于拥堵指数图谱的城市地址定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112445976A true CN112445976A (zh) | 2021-03-05 |
| CN112445976B CN112445976B (zh) | 2024-09-27 |
Family
ID=74738969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011386234.6A Active CN112445976B (zh) | 2020-12-01 | 2020-12-01 | 一种基于拥堵指数图谱的城市地址定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112445976B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906394A (zh) * | 2021-03-18 | 2021-06-04 | 北京字节跳动网络技术有限公司 | 地址识别方法、装置、设备和存储介质 |
| CN113076387A (zh) * | 2021-04-08 | 2021-07-06 | 北京星天地信息科技有限公司 | 一种基于多基元图谱匹配的道路路网匹配方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104679867A (zh) * | 2015-03-05 | 2015-06-03 | 深圳市华傲数据技术有限公司 | 基于图的地址知识处理方法及装置 |
| CN109739997A (zh) * | 2019-01-28 | 2019-05-10 | 致诚阿福技术发展(北京)有限公司 | 地址对比方法、装置及系统 |
| CN110472066A (zh) * | 2019-08-07 | 2019-11-19 | 北京大学 | 一种城市地理语义知识图谱的构建方法 |
| CN111160753A (zh) * | 2019-12-25 | 2020-05-15 | 大连理工大学 | 一种基于知识图谱的路网节点重要性评估的方法 |
| CN111324679A (zh) * | 2018-12-14 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 地址信息的处理方法、装置和系统 |
-
2020
- 2020-12-01 CN CN202011386234.6A patent/CN112445976B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104679867A (zh) * | 2015-03-05 | 2015-06-03 | 深圳市华傲数据技术有限公司 | 基于图的地址知识处理方法及装置 |
| CN111324679A (zh) * | 2018-12-14 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 地址信息的处理方法、装置和系统 |
| CN109739997A (zh) * | 2019-01-28 | 2019-05-10 | 致诚阿福技术发展(北京)有限公司 | 地址对比方法、装置及系统 |
| CN110472066A (zh) * | 2019-08-07 | 2019-11-19 | 北京大学 | 一种城市地理语义知识图谱的构建方法 |
| CN111160753A (zh) * | 2019-12-25 | 2020-05-15 | 大连理工大学 | 一种基于知识图谱的路网节点重要性评估的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周燕华;: "一种交通拥堵指数智能计算方法", 微型电脑应用, no. 03 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906394A (zh) * | 2021-03-18 | 2021-06-04 | 北京字节跳动网络技术有限公司 | 地址识别方法、装置、设备和存储介质 |
| CN113076387A (zh) * | 2021-04-08 | 2021-07-06 | 北京星天地信息科技有限公司 | 一种基于多基元图谱匹配的道路路网匹配方法及装置 |
| CN113076387B (zh) * | 2021-04-08 | 2022-09-20 | 北京星天地信息科技有限公司 | 一种基于多基元图谱匹配的道路路网匹配方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112445976B (zh) | 2024-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783419B (zh) | 地址相似度计算方法、装置、设备和存储介质 | |
| CN109145171B (zh) | 一种多尺度地图数据更新方法 | |
| CN109981625B (zh) | 一种基于在线层次聚类的日志模板抽取方法 | |
| CN110297931B (zh) | 一种图像检索方法 | |
| CN108388559A (zh) | 地理空间应用下的命名实体识别方法及系统、计算机程序 | |
| CN104573130B (zh) | 基于群体计算的实体解析方法及装置 | |
| CN108628811A (zh) | 地址文本的匹配方法和装置 | |
| CN112528315B (zh) | 识别敏感数据的方法和装置 | |
| CN111241230A (zh) | 一种基于文本挖掘识别串标风险的方法及系统 | |
| CN111209827A (zh) | 一种基于特征检测的ocr识别票据问题的方法及系统 | |
| CN111291099B (zh) | 一种地址模糊匹配方法、系统及计算机设备 | |
| CN112445976B (zh) | 一种基于拥堵指数图谱的城市地址定位方法 | |
| CN103279746A (zh) | 一种基于支持向量机的人脸识别方法及系统 | |
| US20220335073A1 (en) | Fuzzy searching using word shapes for big data applications | |
| CN109637529A (zh) | 基于语音的功能定位方法、装置、计算机设备及存储介质 | |
| CN118096452A (zh) | 一种案件辅助审判方法、装置、终端设备及介质 | |
| CN111339258B (zh) | 基于知识图谱的大学计算机基础习题推荐方法 | |
| Zhang et al. | A YOLOv3‐Based Industrial Instrument Classification and Reading Recognition Method | |
| CN112766385A (zh) | 一种众源矢量线数据几何匹配与属性融合方法 | |
| CN113761867A (zh) | 地址识别方法、装置、计算机设备及存储介质 | |
| Ali Abbaspour et al. | Assessing the efficiency of shape-based functions and descriptors in multi-scale matching of linear objects | |
| CN112287763A (zh) | 图像处理方法、装置、设备及介质 | |
| US20050207653A1 (en) | Method for analysis of line objects | |
| CN116303901A (zh) | 一种基于文本聚类的环境公告信息提取方法和装置 | |
| CN113988878B (zh) | 一种基于图数据库技术的反欺诈方法及系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240819 Address after: 215004 room 211, office building, Shishan Street, building 1, No. 109, Dengwei Road, high tech Zone, Suzhou City, Jiangsu Province Applicant after: SUZHOU LANGJIETONG INTELLIGENT TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 215129 No. 66 Wangmi Street, Suzhou High-tech Zone, Jiangsu Province Applicant before: SUZHOU JINTANGLANG YIHE TECHNOLOGY CO.,LTD. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |