CN112884319A - 一种任务分配方法、装置、计算机设备以及存储介质 - Google Patents
一种任务分配方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN112884319A CN112884319A CN202110186453.8A CN202110186453A CN112884319A CN 112884319 A CN112884319 A CN 112884319A CN 202110186453 A CN202110186453 A CN 202110186453A CN 112884319 A CN112884319 A CN 112884319A
- Authority
- CN
- China
- Prior art keywords
- task
- target
- cluster
- tasks
- matrix
- 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 82
- 238000009826 distribution Methods 0.000 claims abstract description 146
- 239000011159 matrix material Substances 0.000 claims description 129
- 238000012545 processing Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000012856 packing Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种任务分配方法、装置、计算机设备以及存储介质,任务分配方法可以应用于电子地图领域,其中方法包括:获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对多个任务进行聚类处理,得到多个任务簇;确定目标用户的目标移动规律图以及多个任务簇中每个任务簇的任务分布规律图,目标移动规律图用于指示目标用户在地图信息中N个第一区域内的路径分布,任务分布规律图用于指示在地图信息中N个第二区域内的任务分布;根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇;将目标任务簇分配给目标用户,以使目标用户执行目标任务簇中各个任务,有助于提升采集任务的效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种任务分配方法、装置、计算机设备以及存储介质。
背景技术
随着互联网技术的快速发展,电子地图在人们的日常生活中也得到了较大的应用,伴随着使用需求的增加,用户对于电子地图所提供的信息的时效性和准确性要求越来越高。
然而,城市中的建筑与布局也在日益变化,要满足用户对于电子地图时效性和准确性的要求,就需要及时采集城市的变化,并提高对电子地图的信息采集的效率。因此,如何对电子地图信息进行合理采集,以提高信息采集的效率,成为了当前信息采集的研究热点。
发明内容
本申请实施例提供了一种任务分配方法、装置、计算机设备以及存储介质,可以结合地图信息采集任务在时空上的特征和用户的移动规律,合理将任务分配给对应的用户,可以有效的提高采集效率。
本申请实施例第一方面公开了一种任务分配方法,所述方法包括:
获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对所述多个任务进行聚类处理,得到多个任务簇;
确定目标用户的目标移动规律图以及所述多个任务簇中每个任务簇的任务分布规律图,其中,所述目标移动规律图用于指示所述目标用户在所述地图信息中N个第一区域内的路径分布,所述任务分布规律图用于指示在所述地图信息中所述N个第二区域内的任务分布,其中,所述N是正整数;
根据所述目标移动规律图和所述每个任务簇的任务分布规律图,从所述多个任务簇中确定所述目标用户对应的目标任务簇;
将所述目标任务簇分配给所述目标用户,以使得所述目标用户执行所述目标任务簇中的各个任务。
本申请实施例第二方面公开了一种任务分配装置,所述装置包括:
聚类单元,用于获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对所述多个任务进行聚类处理,得到多个任务簇;
第一确定单元,用于确定目标用户的目标移动规律图以及所述多个任务簇中每个任务簇的任务分布规律图,其中,所述目标移动规律图用于指示所述目标用户在所述地图信息中N个第一区域内的路径分布,所述任务分布规律图用于指示在所述地图信息中所述N个第二区域内的任务分布,其中,所述N是正整数;
第二确定单元,用于根据所述目标移动规律图和所述每个任务簇的任务分布规律图,从所述多个任务簇中确定所述目标用户对应的目标任务簇;
分配单元,用于将所述目标任务簇分配给所述目标用户,以使得所述目标用户执行所述目标任务簇中的各个任务。
本申请实施例第三方面公开了一种计算机设备,包括处理器、存储器和网络接口,所述处理器、存储器和网络接口相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
本申请实施例第四方面公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本申请实施例第五方面公开了一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述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所述计算机指令,处理器执行所述计算机指令,使得所述计算机设备执行上述第一方面的方法。
本申请实施例中,可以获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对多个任务进行聚类处理,得到多个任务簇,接着,确定目标用户的目标移动规律图以及多个任务簇中每个任务簇的任务分布规律图,目标移动规律图用于指示目标用户在地图信息中N个第一区域内的路径分布,任务分布规律图用于指示在地图信息中N个第二区域内的任务分布,进一步的,根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇,并将目标任务簇分配给目标用户,以使目标用户执行目标任务簇中各个任务。通过上述方法,可以灵活地根据地图信息采集任务的特征将多个任务进行划分,以将任务在时间和空间上比较接近的任务划分为一个任务簇,并结合用户的移动规律,合理将任务分配给对应的用户,可以有效的提高采集效率。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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。
图1是本申请实施例提供的一种任务分配系统的架构示意图;
图2是本申请实施例提供的一种任务分配方法的流程示意图;
图3a是本申请实施例提供的一种目标移动规律图和任务分布规律图的结构示意图;
图3b是本申请实施例提供的另一种目标移动规律图和任务分布规律图的结构示意图;
图3c是本申请实施例提供的又一种目标移动规律图和任务分布规律图的结构示意图;
图4是本申请实施例提供的另一种任务分配方法的流程示意图;
图5是本申请实施例提供的一种聚类处理的流程示意图;
图6a是本申请实施例提供的又一种任务分配方法的流程示意图;
图6b是本申请实施例提供的又一种任务分配方法的流程示意图;
图6c是本申请实施例提供的另一种聚类处理的流程示意图;
图7是本申请实施例提供的一种任务分配装置的结构示意图;
图8是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请实施例提供的方案涉及人工智能的机器学习等技术,具体通过如下实施例进行说明:
目前,大量众包化信息采集的方案大多数都以固定数量的车辆为研究对象,例如,针对采集空气质量的信息的任务,可以给予出租车司机相应的奖励,以驱使出租车司机尽量开往数据采集稀疏的区域去采集空气质量的信息。可以看出,现有方案主要以出租车司机为研究对象,虽然出租车司机本身具有很强的移动性,但是出租车司机本身为了盈利,可能无法保证覆盖所有的要采集的任务,而且空气质量的时空分布具有很强的规律性,同时数据需求的分布也是比较固定的,这与地图信息采集存在较大的差别,城市中的建筑与布局在日益变化,同样地图信息的更新也是不固定的,所以不能使用现有的分配方法来优化地图信息众包采集任务的分配过程。
针对上述问题,本申请实施例提供了一种任务分配的方法,可以获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对多个任务进行聚类处理,以得到多个任务簇,还可以确定目标用户的目标移动规律图以及多个任务簇中每个任务簇的任务分布规律图,进一步的,可以根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇,并将目标任务簇分配给目标用户,以使得目标用户执行目标任务簇中的各个任务。通过实施上述方法,可以灵活地根据任务自身的分布规律将多个任务进行划分,将任务在时间和空间上比较接近的任务划分为一个任务簇,并结合用户的移动规律,合理将任务分配给对应的用户,可以有效的提高采集效率。
需要说明的是,本方案提供的任务分配的方法具体可应用于任务分配的系统中,请参阅图1,图1是本申请实施例提供的一种任务分配系统的架构示意图。本申请涉及终端101和服务器102。
以终端101为例,终端101获取目标用户通过终端101发起的采集任务请求,将该采集任务请求发送至服务器102。服务器102根据采集任务请求中包括的目标用户的历史路线集合,确定目标用户的目标移动规律图。服务器102获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对多个任务进行聚类处理,得到多个任务簇,服务器102确定多个任务簇中每个任务簇的任务分布规律图,根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇。
后续,服务器102将确定的目标任务簇发送给终端101,由终端设101展示目标任务簇,以使得用户执行目标任务簇中各个任务。
图1所示的终端101可以是手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(MID,Mobile Internet Device)、可穿戴设备等智能设备。终端101与服务器102可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
请参阅图2,图2是本申请实施例提供的一种任务分配方法的流程示意图。该方法应用于计算机设备,可由计算机设备执行,其中,该计算机设备可以是服务器,如图2所示,该任务分配方法可包括:
S201:获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对多个任务进行聚类处理,得到多个任务簇。
在一种实现方式中,可以获取多个任务,该任务可以是对地图信息进行采集的任务,该地图信息可以是某一地区范围内的地图信息,例如,某一城市或某一乡镇等等,而针对地图信息进行采集的任务可以是对城市中的建筑或河流等城市布局的相关信息的获取,例如,针对地图信息进行采集的某一任务获取城市中建筑物A的地理位置或建筑物高度或占地面积。那么在服务器获取到针对地图信息进行采集的多个任务之后,即可根据每个任务的任务特征对多个任务进行聚类处理,以得到多个任务簇。
其中,每个任务的任务特征可以包括触发时间特征和触发空间特征,触发时间特征可以指该任务所要执行的时间,触发空间特征可以值该任务所在的地理位置,该地理位置可以是GPS信息,且GPS信息可以用(x,y)来表示。
在一种实现方式中,服务器可以根据每个任务的触发时间特征和触发空间特征,确定每个任务在空时坐标系中的坐标,其中,所述空时坐标系中用于对不同任务的时间特征和空间特征进行表示。该空时坐标系具体可以是数学定义中的三维坐标系,时间特征可以是上述描述的任务所要执行的时间,空间特征可以是上述描述的任务所在的地理位置。例如,多个任务中的任务A触发时间特征为t1,触发空间特征为(x1,y1),则任务A的在空时坐标系中的坐标为(x1,y1,t1),又如,多个任务中的任务B触发时间特征为t2,触发空间特征为(x2,y2),则任务B的在空时坐标系中的坐标为(x2,y2,t2)。那么,在服务器确定每个任务在空时坐标系中的坐标之后,服务器即可根据每个任务的坐标之间的坐标距离将多个任务划分为多个任务簇,以实现对多个任务的聚类处理。其中,坐标距离可以是两个坐标之间的欧式距离。
S202:确定目标用户的目标移动规律图以及多个任务簇中每个任务簇的任务分布规律图。
在一种实现方式中,服务器可以根据每个任务簇中任务的任务特征,确定多个任务簇中每个任务簇的任务分布规律图,具体的,针对任一任务簇而言,可以根据任一任务簇中每个任务的触发时间特征和触发空间特征确定每个任务在一张图中的位置,那么,该图即可称之为任务分布规律图,可以在任务分布规律图中用一个小圆圈代表一个任务,也可以用其他方式表示一个任务,在本申请不做限定,如图3a中由31标记的图像为任一任务簇对应的任务分布规律图,图像中的各个小圆圈分别代表一个任务。该任务分布规律图可以用于指示在地图信息中不同区域内的任务分布,其中,为了区分不同区域内的任务分布,可以将任务分布规律图划分为N个区域,可以将每个区域称之为第一区域,即可以将任务分布规律图划分为N个第一区域。其中,N是正整数,N的大小可以预先设置,也可以根据需求设置,在本申请不做限定。可选的,在对任务分布规律图进行划分时,可以将任务分布规律图划分为N个相同的第一区域,也可以是N个不相同的第一区域,在本申请不做限定。而第一区域的形状可以是正方形或长方形或多边形等等,在本申请不做限定。例如,图3a所示由31标记的图像中每一个小方框即可表示第一区域,该任务分布规律图中的每个第一区域是相同的,且第一区域的形状是正方形。
在一种实现方式中,服务器可以获取目标用户的目标历史路线集合,其中,目标历史路线集合包括一条或多条目标历史路线。那么,服务器可以根据目标历史路线集合中的一条或多条目标历史路线来确定目标用户的目标移动规律图。具体的,可以将目标历史路线集合中的每条目标历史路线显示在一张图上,那么,该图即可称之为目标移动规律图,如图3a中由32标记的图像为目标用户的目标移动规律图,图像中的各个线条分别代表一个目标历史路线,该目标移动规律图可以用于指示目标用户在地图信息中不同区域内的路径分布。其中,为了区分不同区域内的路径分布,可以将目标移动规律图划分为N个区域,可以将每个区域称之为第二区域,即可以将任务分布规律图划分为N个第二区域。其中,第二区域的大小以及形状可以同上述的第一区域做同样理解。例如,图3a所示由32标记的图像中每一个小方框即可表示第二区域,该任务分布规律图中的每个第二区域是相同的,且第二区域的形状是正方形。
需要说明的是,目标用户的目标移动规律图与每个任务簇的任务分布规律图区域的划分是做相同处理,即目标移动规律图中的每个第一区域与任一任务簇的任务分布规律图中的每个第二区域是形状和大小是对应相等的。在具体实现中,目标用户的目标移动规律图可以按照划分任务分布规律图中N个第一区域的方式,将目标移动规律图划分为与任务分布规律图中N个第一区域对应的N个第二区域,如图3b所示为目标移动规律图中N个第二区域与任一任务分布规律图中N个第一区域对应的显示示意图,图3b中由33标记的图像为任一任务分布规律图,由34标记的图像为目标移动规律图,如图3b所示,对于目标移动规律图与任一任务分布规律图中区域的划分,第二区域与第一区域的位置是对应相等的,例如,任务分布规律图中的第一区域A1与目标移动规律图中的第二区域B1位于各自所在图的位置是相等的。
S203:根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇。
在一种实现方式中,服务器可以根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇。具体实现中,服务器可以确定目标移动规律图对应的矩阵,以及每个任务簇的任务分布规律图各自对应的矩阵,可以将目标移动规律图对应的矩阵称之为第一矩阵,每个任务簇的任务分布规律图各自对应的矩阵称之为第二矩阵,即每个任务簇的任务分布规律图分别对应一个第二矩阵。那么,在确定第一矩阵与多个第二矩阵之后,服务器可以确定第一矩阵与多个第二矩阵中各个第二矩阵之间的距离,并筛选出与第一矩阵之间距离小于预设距离的第二矩阵,可以将与第一矩阵之间距离小于预设距离的第二矩阵称之为目标第二矩阵。而在确定第二矩阵目标之后,则服务器可以获取目标第二矩阵对应的任务分布规律图,可以将目标第二矩阵对应的任务分布规律图称之为目标任务分布规律图,进一步的,服务器可以将目标任务分布规律图对应的任务簇,确定为目标用户对应的目标任务簇。
举例来说,服务器可以确定第一矩阵与多个第二矩阵中各个第二矩阵之间的距离,假设有7个第二矩阵(该7个第二矩阵分别为E1、E2、E3、E4、E5、E6、E7,该7个第二矩阵分别对应的任务分布规律图分别为T1、T2、T3、T4、T5、T6、T7),且服务器确定的第一矩阵与7个第二矩阵中各个第二矩阵之间的距离分别为D1、D2、D3、D4、D5、D6、D7。其中,预设距离为D,那么,服务器可以将上述距离与预设距离为D进行比较,并从D1、D2、D3、D4、D5、D6、D7中筛选出小于D的值,若D3和D4均小于D,则可以确定D3对应的第二矩阵为E3以及D4对应的第二矩阵为E4,而第二矩阵为E3对应的任务分布规律图为T3,第二矩阵为E4对应的任务分布规律图为T4,进一步的,服务器可以将任务分布规律图为T3对应的任务簇,以及任务分布规律图为T4对应的任务簇,确定为目标用户对应的目标任务簇。
在一种实现方式中,确定目标移动规律图对应的第一矩阵的具体实现方式可以是:服务器根据目标移动规律图内N个第一区域内的路径分布,确定目标用户在每个第一区域内的出现频次,并根据N个第一区域以及每个第一区域内路径的出现频次构建第一矩阵。具体实现中,服务器可以统计目标移动规律图内各个第一区域内目标用户的历史路线的数量,服务器所统计的目标移动规律图内各个第一区域内目标用户的历史路线的数量,即是目标用户在各个第一区域内的出现频次。可知,服务器可以统计得到N个第一区域内目标用户的历史路线的数量,可以将任一第一区域内目标用户的历史路线的数量称之为第一数值,即服务器可以统计得到N个第一数值。在确定N个第一数值之后,服务器即可根据N个第一区域以及N个第一区域分别对应的N个第一数值确定第一矩阵。其中,第一矩阵包括N个第一数值,每个第一数值在第一矩阵中的位置由对应的第一区域在目标移动规律图位置确定。
举例来说,假设具有的N(N=9)个第一区域的目标移动规律图如图3c所示由35标记的图像,由35标记的图像中每一个小方块代表一个第一区域,可以看出,该目标移动规律图包括9个第一区域,且服务器统计得到的每个第一区域对应的第一数值为P1,P2,…,P9,那么,该目标移动规律图对应的第一矩阵H可以表示为H=[P1,P2,P3;P4,P5,P6;P7,P8,P9]。
在一种实现方式中,每个任务簇中任一参考任务簇的参考任务分布规律图对应的参考第二矩阵,即确定多个第二矩阵中的参考第二矩阵的具体实现方式可以是:服务器根据参考任务分布规律图内N个第二区域内的任务分布,获取每个第二区域内任务的数量,并根据N个第二区域以及每个第二区域中任务的数量构建参考第二矩阵。具体实现中,服务器可以统计参考任务分布规律图内各个第二区域内任务的数量。可知,服务器可以统计得到N个第二区域内任务的数量,可以将任一第二区域内任务的数量称之为第二数值,即服务器可以统计得到N个第二数值。在确定N个第二数值之后,服务器即可根据N个第二区域以及N个第二区域分别对应的N个第二数值确定参考第二矩阵。其中,参考第二矩阵包括N个第二数值,每个第二数值在参考第二分矩阵中的位置由对应的第二区域在参考任务分布规律图位置确定。
举例来说,假设具有的N(N=9)个第二区域的参考任务分布规律图如图3c所示由36标记的图像,由36标记的图像中每一个小方块代表一个第二区域,可以看出,该参考任务分布规律图包括9个第二区域,且服务器统计得到的每个第二区域对应的第二数值为R1,R2,…,R9,那么,该参考任务分布规律图对应的参考第二分矩阵M可以表示为M=[R1,R2,R3;R4,R5,R6;R7,R8,R9]。
在一种实现方式中,确定第一矩阵与多个第二矩阵中各个第二矩阵之间的距离具体实现方式可以是:服务器对第一矩阵和多个第二矩阵进行归一化处理,以得到归一化后的第一目标矩阵,以及多个归一化后的第二目标矩阵,而在确定第一目标矩阵和多个第二目标矩阵之后,可以对第一目标矩阵和各个第二目标矩阵进行差值运算,得到多个差值矩阵,其中,第一目标矩阵与每一个第二目标矩阵进行差值运算可以得到该多个差值矩阵中的一个差值矩阵。在确定得到多个差值矩阵之后,则可对各个差值矩阵进行取模运算,各个差值矩阵进行取模运算得到的结果即是对应的第一矩阵与各个第二矩阵之间的距离。其中,对差值矩阵的取模运算可以参考如下的公式1。
其中,||C||F表示差值矩阵C取模运算得到的结果,cij表示差值矩阵C中的各个元素。
举例来说,以确定第一矩阵和上述的参考第二矩阵之间的距离为例进行说明,假设第一矩阵为H=[P1,P2,P3;P4,P5,P6;P7,P8,P9],参考第二矩阵为M=[R1,R2,R3;R4,R5,R6;R7,R8,R9],服务器可以先对H和M进行归一化,以得到第一目标矩阵H1=[P11,P21,P31;P41,P51,P61;P71,P81,P91]以及第二目标矩阵M1=[R11,R21,R31;R41,R51,R61;R71,R81,R91],然后将第一目标矩阵H1和第二目标矩阵M1进行差值运算可以得到差值矩阵L=[P11-R11,P21-R21,P31-R31;P41-R41,P51-R51,P61-R61;P71-R71,P81-R81,P91-R91],(或者描述为差值矩阵L=[L1,L2,L3;L4,L5,L6;L7,L8,L9],其中L1=P11-R11,差值矩阵L中的其他值依次类推,在此处不在详述)。在确定差值矩阵L之后,即可对差值矩阵L进行取模运算,根据上述公式1可知差值矩阵L进行取模运算得到的结果是(L1 2+L2 2+L3 2+L4 2+L5 2+L6 2+L7 2+L8 2+L9 2)1/2,该结果即是第一矩阵H与参考第二矩阵M之间的距离。
S204:将目标任务簇分配给目标用户,以使得目标用户执行目标任务簇中的各个任务。
在一种实现方式中,服务器在确定目标用户的目标任务簇之后,即可将该目标任务簇分配该目标用户,而在目标用户获取到服务器获取的目标任务簇之后,即可执行目标任务簇中的各个任务。
上述可知,如果采用奖励机制的方法去驱使采集人员完成针对地图信息进行采集的任务,在招募采集人员进行采集任务时,需要根据完成任务所需成本给予一定的补贴和奖励,在这一过程中产生了金钱成本。而通过合理的任务聚类处理和分配,可以使得所有任务完成的总空驶距离尽可能的低,那么也可以充分降低给予采集人员的金钱成本。其中,空驶距离是指采集人员在开始采集任务之前,需要前往采集地点所要行驶的距离。而且,在任务分配的过程中,还可以根据采集人员的移动偏好来分配采集任务,使得采集人员所分配到的采集任务的地点尽可能是采集人员频繁经过的地点,也就是采集人员对于采集任务所在区域的路线是较熟悉的,从而也可以提高采集效率和降低采集成本。
在本申请实施例中,可以获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对多个任务进行聚类处理,以得到多个任务簇,服务器还可以确定目标用户的目标移动规律图以及多个任务簇中每个任务簇的任务分布规律图,进一步的,服务器可以根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇,并将目标任务簇分配给目标用户,以使得目标用户执行目标任务簇中的各个任务。通过实施上述方法,可以灵活地根据任务自身的分布规律将多个任务进行划分,将任务在时间和空间上比较接近的任务划分为一个任务簇,并结合用户的移动规律,合理将任务分配给对应的用户,可以有效的提高采集效率,也可以节约时间。
请参阅图4,图4是本申请实施例提供的另一种任务分配方法的流程示意图。该方法应用于计算机设备,可由计算机设备执行,其中,该计算机设备可以是服务器,如图4所示,该任务分配方法可包括:
S401:获取针对地图信息进行采集的多个任务。
S402:根据每个任务的触发时间特征和触发空间特征,确定每个任务在空时坐标系中的坐标。
其中,步骤S401和S402的具体实施方式可以参见上述实施例步骤S201的具体描述,此处不再赘述。
S403:根据每个任务的坐标之间的坐标距离将多个任务划分为多个任务簇。
在一种实现方式中,在服务器确定每个任务在空时坐标系中的坐标之后,服务器即可根据每个任务的坐标之间的坐标距离将多个任务划分为多个任务簇,以实现对多个任务的聚类处理。可选的,坐标距离可以是两个坐标之间的欧式距离。
在一种实现方式中,服务器可以根据第一聚类距离对多个任务进行聚类处理,以得到至少一个第一任务簇。其中,每个第一任务簇中各个任务的坐标与第一中心坐标之间的坐标距离是小于第一聚类距离的,该第一中心坐标可以是多个任务分别对应的坐标中的任一个坐标。第一聚类距离可以预先设定。而在服务器通过聚类处理得到至少一个第一任务簇之后,可以获取各个第一任务簇中包括的任务对应的任务数量,以根据任务数量确定是否需要对至少一个第一任务簇中的第一任务簇重新进行聚类处理。具体实现中,服务器可以将各个第一任务簇中包括的任务对应的任务数量与预设数量进行比较,其中,该预设数量预先设置。
如果存在大于或等于预设数量的任务数量,则可以确定大于或等于预设数量的任务数量对应的第一任务簇,可以将大于或等于预设数量的任务数量对应的第一任务簇称之为候选第一任务簇。那么,可以将候选第一任务簇添加至候选任务簇集合中。其中,后续可以根据该候选任务簇集合确定多个任务所划分的多个任务簇。
如果存在小于预设数量的任务数量,则可以确定小于预设数量的任务数量对应的第一任务簇,可以将小于预设数量的任务数量对应的第一任务簇称之为参考第一任务簇,而参考第一任务簇是可以重新进行聚类处理的第一任务簇。
在一种实现方式中,在上述描述中的参考第一任务簇可以重新进行聚类处理,且可以根据第二聚类距离对参考第一任务簇进行聚类处理,以得到至少一个第二任务簇。例如,如图5中的4个任务簇(由51标记的簇,由52标记的簇,由53标记的簇以及由54标记的簇)为参考第一任务簇,而在根据第二聚类距离对4个任务簇进行聚类处理后,由51标记的簇和由52标记的簇可以合并为一个由55标记的簇,由53标记的簇和由54标记的簇可以合并为一个由56标记的簇,而由55标记的簇以及由56标记的簇即是第二任务簇。其中,每个第二任务簇中各个任务的坐标与第二中心坐标之间的坐标距离是小于第二聚类距离的,而该第二中心坐标的可以根据每个第二任务簇中各个任务的坐标确定,具体地,可以先确定每个第二任务簇的坐标,其中,任一第二任务簇的坐标是该任一第二任务簇中各个任务的坐标的平均值,那么,在确定每个第二任务簇的坐标之后,可以将任一第二任务簇中的坐标确定为第二中心坐标,例如,如果任一第二任务簇中有5个任务,且该5个任务的坐标分别为(x1,y1,t1)、(x2,y2,t2)、(x3,y3,t3)、(x4,y4,t4)以及(x5,y5,t5),则该任一第二任务簇的坐标为((x1+x2+x3+x4+x5)/5,(y1+y2+y3+y4+y5)/5,(t1+t2+t3+t4+t5)/5)。而在得到至少一个第二任务簇之后,还可以将各个第二任务簇中包括的任务对应的任务数量与预设数量进行比较。
如果每个第二任务簇中任务的数量大于或等于预设数量时,即可将各个第二任务簇确定添加至候选任务簇集合中。那么,服务器可以将候选任务簇集合中包括的任务簇确定为划分得到的多个任务簇。如果各个第二任务簇中还存在任务数量小于预设数量的第二任务簇,可以将任务数量小于预设数量的第二任务簇称之为参考第二任务簇,则服务器还可以根据第三聚类距离对参考第二任务簇进行聚类处理,以得到至少一个第三任务簇。其中,每个第三任务簇中各个任务的坐标与第三中心坐标之间的坐标距离是小于第三聚类距离的。依次循环,直到各个任务簇中任务的数量大于或等于预设数量。其中,第三中心坐标的确定可以参考上述确定第二中心坐标的方法,在此处不在赘述。
需要注意的是,上述的第一聚类距离是小于第二聚类距离的,第二聚类距离是小于第三聚类距离的,即随着聚类次数的增多,在聚类处理所利用的聚类距离是逐渐增大的,从而可以保证任务数量较少的多个任务簇可以重新聚类为一个任务簇。
在一种实现方式中,以第一聚类距离对多个任务进行聚类处理,得到至少一个第一任务簇中任一目标第一任务簇的具体实施方式可以是:服务器从多个任务中确定出参考任务,具体地,服务器可以从多个任务中随机选择一个任务作为参考任务,其中,上述描述的第一中心坐标可以理解为该参考任务的坐标。而在确定参考任务之后,即可根据第一聚类距离从多个任务中确定出多个与参考任务的坐标之间的坐标距离小于第一聚类距离的任务,可以将与参考任务的坐标之间的坐标距离小于第一聚类距离的任务称之为关联任务。那么,在确定多个关联任务之后,可以将参考任务和多个关联任务聚为一类,该参考任务和多个关联任务即为第一目标任务簇。
其中,上述的根据第二聚类距离对参考第一任务簇进行聚类处理,以得到至少一个第二任务簇,以及根据第三聚类距离对参考第二任务簇进行聚类处理,以得到至少一个第三任务簇的具体实现可以参考上述根据第一聚类距离对多个任务进行聚类处理,得到目标第一任务簇的方式,在此处不在赘述。
上述可知,本申请实施例通过聚类的方法可以应对任务在时空分布上的错综复杂,可以灵活地根据任务自身的分布规律将多个任务划分为多个任务簇,将任务在时间和空间上比较接近的任务划分为一个任务簇,并且利用多次聚类的方法可以应对在不同尺度上的任务的时空分布以及邻近性,从而可以将多个任务进行合理的划分,以使得后续任务的分配更加合理,从而提供采集效率。
S404:确定目标用户的目标移动规律图以及多个任务簇中每个任务簇的任务分布规律图。
S405:根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇。
S406:将目标任务簇分配给目标用户,以使得目标用户执行目标任务簇中的各个任务。
其中,步骤S404-S406的具体实施方式可以参见上述实施例步骤S202-S204的具体描述,此处不再赘述。
在本申请实施例中,可以获取针对地图信息进行采集的多个任务,根据每个任务的触发时间特征和触发空间特征,确定每个任务在空时坐标系中的坐标,并根据每个任务的坐标之间的坐标距离将多个任务划分为多个任务簇,确定目标用户的目标移动规律图以及多个任务簇中每个任务簇的任务分布规律图,接着,根据目标移动规律图和每个任务簇的任务分布规律图,从多个任务簇中确定目标用户对应的目标任务簇,并将目标任务簇分配给目标用户,以使得目标用户执行目标任务簇中的各个任务。通过上述方法,可以充分利用地图信息采集任务在时间和空间分布上的特点,将任务在时间和空间上比较接近的任务划分为一个任务簇,也可以灵活地根据任务自身的分布规律将多个任务进行划分,并结合用户的移动规律,合理将任务分配给对应的用户,可以有效的提高采集效率,也可以节约时间。
如图6a所示为本申请实施例提供的又一种任务分配方法的流程示意图。在如图6a所示的流程中,该任务分配方法可以分为两个分支,一个分支是从任务池中获取针对地图信息进行采集的多个任务,然后再对多个任务进行层次化时空聚类,以得到多个任务簇。其中,层次化时空聚类处理即是上述描述中的利用每个任务在空时坐标系中的坐标对多个任务进行多次聚类处理,以使得每个任务簇中的任务数量是大于或等于预设数量。另一个分支是获取用户的历史路线数据,并根据用户的历史路线数据挖掘出用户的移动模式。其中,针对任一用户而言,用户的历史路线数据可以是上述描述中的目标用户的历史路线集合,而根据用户的历史路线数据挖掘出用户的移动模式可以是上述的目标用户的目标移动规律图。进一步的,根据用户的移动模式,确定每个用户所分配的任务簇。
如图6b所示为本申请实施例提供的又一种任务分配方法的流程示意图。在如图6b所示的流程中,该任务分配方法可以分为两个模块,一个模块是层次化时空聚类模块,该模块的作用主要是将多个任务进行聚类处理,以得到多个任务簇;另一个模块是基于移动偏好的个性化分配模块,该模块的作用把第一个模块得到的多个任务簇合理的分配给用户。
在一种实现方式中,层次化时空聚类模块中,可以根据采集任务的时空分布将多个任务进行打包,也就是根据任务的触发时间特征和触发空间特征将任务进行聚类。从而可以将时空上具有邻近关系的任务聚为一类,并将其打包,而后将打包后的任务分配给少数采集人员,以使得采集人员执行相应的任务即可,若分配不合理,可能需要采集人员走很长的空驶距离来遍历一个任务簇中所有任务。或者将时空上具有邻近关系的任务分别分配给不同的采集人员,可能会需要较多的采集人员,尤其是在采集人员较少的情况下,可能会导致不能合理的将任务分配给采集人员,进而导致处理任务的效率较低。本申请采用的聚类方式是层次化密度聚类的方式,即进行多次聚类处理,且在聚类时考虑两个维度,一个是空间维度(可理解为上述描述的触发空间特征),一个是时间维度(可理解为上述描述的触发时间特征)。层次化时空聚类处理的具体过程可以包括以下步骤s11-s13,其中,可将各个任务理解为每个任务在空时坐标系中的坐标点,下述描述中将各个任务理解为一个点,即多个任务对应对个点。
s11:设定第一邻域半径和密度阈值,从多个点中确定一初始点为当前点,并把该当前点放入当前簇。
在一种实现方式中,可以预先设定第一邻域半径和密度阈值,其中邻域半径即是上述的第一聚类距离,密度阈值即是上述的预设数量。
s12:从多个点中确定与当前点距离小于第一邻域半径的点,将当前点以及与当前点距离小于第一邻域半径的点作为一个簇(可理解为上述的第一任务簇)。例如,将图6c中的A点作为当前点,在确定当前点之后,可以搜索与A点距离小于第一邻域半径的点,从图6c中看出,一个A点即为一个簇。在确定一个簇之后,在从没有成为簇的点中选择一个点作为当前点,图6c中的B点可以为当前点,然后再搜索与B点距离小于第一邻域半径的点,从图6c中看出,以B为当前点得到的簇中有2个点,这两个点即为一个簇。接着,再从没有成为簇的点中选择一个点作为当前点,图6c中的C点可以为当前点,然后再搜索与C点距离小于第一邻域半径的点,从图6c中看出,以C为当前点得到的簇中有5个点,这5个点即为一个簇。依次循环。
s13:如果所有的点都已具有对应的簇,则结束聚类,若否则循环步骤s12。在层次化的过程中,可以使用越来越大的聚类距离进行聚类处理。在将所有点进行聚类处理,得到多个第一任务簇之后,可以把第一任务簇中点的数量比较少的第一任务簇,再使用更大的聚类距离进行聚类处理,将将参考第一任务簇使用更大的聚类距离重新进行聚类处理,具体过程可以包括以下步骤s11-s13:
s31,设定第二邻域半径,以根据该第二邻域半径进行聚类处理,其中,第二邻域半径比第一邻域半径的大,第二邻域半径即是上述的第二聚类距离。
s32,确定每个参考第一任务簇的坐标,根据每个参考第一任务簇的坐标以及第二邻域半径将多个参考第一任务簇重新进行聚类。
在一种实现方式中,确定任一参考第一任务簇的坐标的实现过程可以是:获取任一参考第一任务簇中每个点的坐标,然后将多个坐标的平均值作为任一参考第一任务簇的坐标。
s33,当聚类得到的任务簇中的点的数量达到密度阈值则终止,否则循环执行步骤s32。
在通过上述的层次化时空聚类之后,如图6b所示,多个任务对应的多个点即可划分为多个簇,如图6b中由61标记的区域即为一个簇。
在一种实现方式中,基于移动偏好的个性化分配模块是结合用户的移动偏好和每一个任务簇中的任务的空间分布进行更加合理的任务分配。如图6b中由62标记的模块可以是各个采集人员与各个任务簇进行匹配的过程,其中,图6b中由63标记的图像可以是采集人员的移动规律热力图,由64标记的图像可以是任务簇。在匹配之后,各个采集人员即可分配到对应的任务簇,以便采集人员执行任务簇中的各个任务。其中,匹配的具体实现过程可以是:确定采集人员的移动热点矩阵(上述描述的第一矩阵)和任务簇中任务空间分布的任务热点矩阵(上述描述的第二矩阵)之间的距离,并将移动热点矩阵与任务热点矩阵之间的距离作为采集人员与任务簇是否匹配的评判标准。具体的,可以将该距离与预设距离进行比较,若该距离小于预设距离,可将该任务簇分配给采集人员。其中,采集人员和任务簇的匹配可以利用二部图匹配的方法,并贪心算法求解,也可利用其他方式,在本申请不做限定。
在一种实现方式中,确定采集人员的移动热点矩阵可以根据采集人员的移动偏好要确定,具体实现过程可以是:先获取采集人员的历史路线,通过在地图不同区域的历史路线数量的统计,可以得到采集人员的移动规律热力图,该移动规律热力图可以是如图6b中由65标记的图像,其中,移动规律热力图可以被划分为多个区域,每个区域均存在对应的亮度值,且每一个亮度值即是对应区域内历史路线的数量,然后将移动规律热力图中每个区域对应的亮度值进行归一化,归一化后的移动规律热力图中各个亮度值即可构建为一个移动热点矩阵。
在一种实现方式中,确定任务热点矩阵的具体实现过程可以是:针对一个任务簇而言,通过在地图不同区域的任务数量的统计,可以得到任务簇的任务分布热力图,其中,任务分布热力图可以被划分为多个区域,每个区域均存在对应的亮度值,且每一个亮度值即是对应区域内任务的数量,然后将任务分布热力图中每个区域对应的亮度值进行归一化,归一化后的任务分布热力图中各个亮度值即可构建为一个任务热点矩阵。
在一种实现方式中,为了验证本方案的功能特性,下述以某地区2000年1月及之前记录的地图信息采集任务的记录日志进行了实验,日志中的采集人员有29个,地图信息采集任务2414个,以及目前使用的人力打包与分配的打包记录与完成情况。为了证明本方案的性能表现,将本方案与网格化时空划分打包方案进行对比。从表1中可以看出,对比网格化时空划分打包方案,在空驶距离的评价指标上,本方案的空驶距离要小于网格化时空划分打包方案的空驶距离,可以有接近50%的提升,这表明了本方案可以大幅度提升采集任务完成的效率和大幅度降低成本。
表1:
方案 | 空驶距离 | 提升 |
网格化时空划分打包方案 | 6683m | 46.45% |
本方案 | 3579m | - |
请参阅图7,图7是本申请实施例提供的一种基于任务分配装置的结构示意图。本实施例中所描述的任务分配装置,包括:
聚类单元701,用于获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对所述多个任务进行聚类处理,得到多个任务簇;
第一确定单元702,用于确定目标用户的目标移动规律图以及所述多个任务簇中每个任务簇的任务分布规律图,其中,所述目标移动规律图用于指示所述目标用户在所述地图信息中N个第一区域内的路径分布,所述任务分布规律图用于指示在所述地图信息中所述N个第二区域内的任务分布,其中,所述N是正整数;
第二确定单元703,用于根据所述目标移动规律图和所述每个任务簇的任务分布规律图,从所述多个任务簇中确定所述目标用户对应的目标任务簇;
分配单元704,用于将所述目标任务簇分配给所述目标用户,以使得所述目标用户执行所述目标任务簇中的各个任务。
在一种实现方式中,所述任务特征包括触发时间特征和触发空间特征,所述聚类单元701,具体用于:
根据每个任务的触发时间特征和触发空间特征,确定所述每个任务在空时坐标系中的坐标,其中,所述空时坐标系中用于对不同任务的时间特征和空间特征进行表示;
根据所述每个任务的坐标之间的坐标距离将所述多个任务划分为多个任务簇,以实现对所述多个任务的聚类处理。
在一种实现方式中,所述聚类单元701,具体用于:
以第一聚类距离对所述多个任务进行聚类处理,得到至少一个第一任务簇,其中,每个第一任务簇中各个任务的坐标与第一中心坐标之间的坐标距离小于所述第一聚类距离;
获取各个第一任务簇中包括的任务对应的任务数量;
若存在任务数量小于预设数量的参考第一任务簇,则将各个第一任务簇中任务数量大于或等于所述预设数量的候选第一任务簇添加至候选任务簇集合中,并以第二聚类距离对所述参考第一任务簇进行聚类处理,得到至少一个第二任务簇,其中,每个第二任务簇中各个任务的坐标与第二中心坐标之间的坐标距离小于所述第二聚类距离;
当所述每个第二任务簇中任务的数量大于或等于所述预设数量时,将各个第二任务簇确定添加至所述候选任务簇集合中;
将所述候选任务簇集合中包括的任务簇确定为划分得到的多个任务簇。
在一种实现方式中,所述聚类单元701,具体用于:
从所述多个任务中确定出参考任务;
根据第一聚类距离从所述多个任务中确定出所述参考任务对应的多个关联任务,其中,每个关联任务的坐标与所述参考任务的坐标之间的坐标距离小于所述第一聚类距离;
将所述参考任务和所述多个关联任务聚为一类,得到第一目标任务簇,所述参考任务的坐标为所述第一目标任务簇中的第一中心坐标。
在一种实现方式中,所述第二确定单元703,具体用于:
确定所述目标移动规律图对应的第一矩阵,以及所述每个任务簇的任务分布规律图各自对应的第二矩阵,得到多个第二矩阵;
确定所述第一矩阵与所述多个第二矩阵中各个第二矩阵之间的距离;
筛选出与所述第一矩阵之间距离小于预设距离的目标第二矩阵,并获取所述目标第二矩阵对应的目标任务分布规律图;
将所述目标任务分布规律图对应的任务簇,确定为所述目标用户对应的目标任务簇。
在一种实现方式中,所述第二确定单元703,具体用于:
根据所述目标移动规律图内N个第一区域内的路径分布,确定所述目标用户在每个第一区域内的出现频次,并根据所述N个第一区域以及每个第一区域内路径的出现频次构建第一矩阵,其中,所述第一矩阵包括N个第一数值,每个第一数值与各个第一区域内的出现频次相对应,所述每个第一数值在所述第一矩阵中的位置由对应的第一区域在所述目标移动规律图位置确定;
根据所述参考任务分布规律图内N个第二区域内的任务分布,获取每个第二区域内任务的数量,并根据所述N个第二区域以及每个第二区域中任务的数量构建参考第二矩阵,其中,所述参考第二矩阵包括N个第二数值,每个第二数值与各个第二区域内任务的数量相对应,所述每个第二数值在所述参考第二矩阵中的位置由对应的第二区域在所述参考任务分布规律图位置确定。
在一种实现方式中,所述第二确定单元703,具体用于:
对所述第一矩阵和所述多个第二矩阵进行归一化处理,得到第一目标矩阵和多个第二目标矩阵;
对所述第一目标矩阵和各个第二目标矩阵进行差值运算,得到多个差值矩阵;
对各个差值矩阵进行取模运算,得到所述第一目标矩阵和所述各个第二目标矩阵之间的距离。
可以理解,本申请实施例中对单元的划分是示意性的,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。本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
请参阅图8,图8是本申请实施例提供的一种计算机设备的结构示意图。本实施例中所描述的计算机设备,可以为服务器,该计算机设备包括:处理器801、存储器802以及网络接口803。上述处理器801、存储器802以及网络接口803之间可以交互数据。
上述处理器801可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器802可以包括只读存储器和随机存取存储器,并向处理器801提供程序指令和数据。存储器802的一部分还可以包括非易失性随机存取存储器。其中,所述处理器801调用所述程序指令时用于执行:
获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对所述多个任务进行聚类处理,得到多个任务簇;
确定目标用户的目标移动规律图以及所述多个任务簇中每个任务簇的任务分布规律图,其中,所述目标移动规律图用于指示所述目标用户在所述地图信息中N个第一区域内的路径分布,所述任务分布规律图用于指示在所述地图信息中所述N个第二区域内的任务分布,其中,所述N是正整数;
根据所述目标移动规律图和所述每个任务簇的任务分布规律图,从所述多个任务簇中确定所述目标用户对应的目标任务簇;
将所述目标任务簇分配给所述目标用户,以使得所述目标用户执行所述目标任务簇中的各个任务。
在一种实现方式中,所述任务特征包括触发时间特征和触发空间特征,所述处理器801,具体用于:
根据每个任务的触发时间特征和触发空间特征,确定所述每个任务在空时坐标系中的坐标,其中,所述空时坐标系中用于对不同任务的时间特征和空间特征进行表示;
根据所述每个任务的坐标之间的坐标距离将所述多个任务划分为多个任务簇,以实现对所述多个任务的聚类处理。
在一种实现方式中,所述处理器801,具体用于:
以第一聚类距离对所述多个任务进行聚类处理,得到至少一个第一任务簇,其中,每个第一任务簇中各个任务的坐标与第一中心坐标之间的坐标距离小于所述第一聚类距离;
获取各个第一任务簇中包括的任务对应的任务数量;
若存在任务数量小于预设数量的参考第一任务簇,则将各个第一任务簇中任务数量大于或等于所述预设数量的候选第一任务簇添加至候选任务簇集合中,并以第二聚类距离对所述参考第一任务簇进行聚类处理,得到至少一个第二任务簇,其中,每个第二任务簇中各个任务的坐标与第二中心坐标之间的坐标距离小于所述第二聚类距离;
当所述每个第二任务簇中任务的数量大于或等于所述预设数量时,将各个第二任务簇确定添加至所述候选任务簇集合中;
将所述候选任务簇集合中包括的任务簇确定为划分得到的多个任务簇。
在一种实现方式中,所述处理器801,具体用于:
从所述多个任务中确定出参考任务;
根据第一聚类距离从所述多个任务中确定出所述参考任务对应的多个关联任务,其中,每个关联任务的坐标与所述参考任务的坐标之间的坐标距离小于所述第一聚类距离;
将所述参考任务和所述多个关联任务聚为一类,得到第一目标任务簇,所述参考任务的坐标为所述第一目标任务簇中的第一中心坐标。
在一种实现方式中,所述处理器801,具体用于:
确定所述目标移动规律图对应的第一矩阵,以及所述每个任务簇的任务分布规律图各自对应的第二矩阵,得到多个第二矩阵;
确定所述第一矩阵与所述多个第二矩阵中各个第二矩阵之间的距离;
筛选出与所述第一矩阵之间距离小于预设距离的目标第二矩阵,并获取所述目标第二矩阵对应的目标任务分布规律图;
将所述目标任务分布规律图对应的任务簇,确定为所述目标用户对应的目标任务簇。
在一种实现方式中,所述处理器801,具体用于:
根据所述目标移动规律图内N个第一区域内的路径分布,确定所述目标用户在每个第一区域内的出现频次,并根据所述N个第一区域以及每个第一区域内路径的出现频次构建第一矩阵,其中,所述第一矩阵包括N个第一数值,每个第一数值与各个第一区域内的出现频次相对应,所述每个第一数值在所述第一矩阵中的位置由对应的第一区域在所述目标移动规律图位置确定;
根据所述参考任务分布规律图内N个第二区域内的任务分布,获取每个第二区域内任务的数量,并根据所述N个第二区域以及每个第二区域中任务的数量构建参考第二矩阵,其中,所述参考第二矩阵包括N个第二数值,每个第二数值与各个第二区域内任务的数量相对应,所述每个第二数值在所述参考第二矩阵中的位置由对应的第二区域在所述参考任务分布规律图位置确定。
在一种实现方式中,所述处理器801,具体用于:
对所述第一矩阵和所述多个第二矩阵进行归一化处理,得到第一目标矩阵和多个第二目标矩阵;
对所述第一目标矩阵和各个第二目标矩阵进行差值运算,得到多个差值矩阵;
对各个差值矩阵进行取模运算,得到所述第一目标矩阵和所述各个第二目标矩阵之间的距离。
本申请实施例还提供了一种计算机存储介质,该计算机存储介质中存储有程序指令,所述程序执行时可包括如图2或者图4对应实施例中的任务分配方法的部分或全部步骤。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
本申请实施例还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各方法的实施例中所执行的步骤。
以上对本申请实施例所提供的一种任务分配方法、装置、计算机设备以及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种任务分配方法,其特征在于,包括:
获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对所述多个任务进行聚类处理,得到多个任务簇;
确定目标用户的目标移动规律图以及所述多个任务簇中每个任务簇的任务分布规律图,其中,所述目标移动规律图用于指示所述目标用户在所述地图信息中N个第一区域内的路径分布,所述任务分布规律图用于指示在所述地图信息中所述N个第二区域内的任务分布,其中,所述N是正整数;
根据所述目标移动规律图和所述每个任务簇的任务分布规律图,从所述多个任务簇中确定所述目标用户对应的目标任务簇;
将所述目标任务簇分配给所述目标用户,以使得所述目标用户执行所述目标任务簇中的各个任务。
2.根据权利要求1所述的方法,其特征在于,所述任务特征包括触发时间特征和触发空间特征,所述根据每个任务的任务特征对所述多个任务进行聚类处理,得到多个任务簇,包括:
根据每个任务的触发时间特征和触发空间特征,确定所述每个任务在空时坐标系中的坐标,其中,所述空时坐标系中用于对不同任务的时间特征和空间特征进行表示;
根据所述每个任务的坐标之间的坐标距离将所述多个任务划分为多个任务簇,以实现对所述多个任务的聚类处理。
3.根据权利要求2所述的方法,其特征在于,所述根据所述每个任务的坐标之间的坐标距离将所述多个任务划分为多个任务簇,包括:
以第一聚类距离对所述多个任务进行聚类处理,得到至少一个第一任务簇,其中,每个第一任务簇中各个任务的坐标与第一中心坐标之间的坐标距离小于所述第一聚类距离;
获取各个第一任务簇中包括的任务对应的任务数量;
若存在任务数量小于预设数量的参考第一任务簇,则将各个第一任务簇中任务数量大于或等于所述预设数量的候选第一任务簇添加至候选任务簇集合中,并以第二聚类距离对所述参考第一任务簇进行聚类处理,得到至少一个第二任务簇,其中,每个第二任务簇中各个任务的坐标与第二中心坐标之间的坐标距离小于所述第二聚类距离;
当所述每个第二任务簇中任务的数量大于或等于所述预设数量时,将各个第二任务簇确定添加至所述候选任务簇集合中;
将所述候选任务簇集合中包括的任务簇确定为划分得到的多个任务簇。
4.根据权利要求3所述的方法,其特征在于,所述以第一聚类距离对所述多个任务进行聚类处理,得到至少一个第一任务簇中任一第一目标任务簇的方法,包括:
从所述多个任务中确定出参考任务;
根据第一聚类距离从所述多个任务中确定出所述参考任务对应的多个关联任务,其中,每个关联任务的坐标与所述参考任务的坐标之间的坐标距离小于所述第一聚类距离;
将所述参考任务和所述多个关联任务聚为一类,得到第一目标任务簇,所述参考任务的坐标为所述第一目标任务簇中的第一中心坐标。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标移动规律图和所述每个任务簇的任务分布规律图,从所述多个任务簇中确定所述目标用户对应的目标任务簇,包括:
确定所述目标移动规律图对应的第一矩阵,以及所述每个任务簇的任务分布规律图各自对应的第二矩阵,得到多个第二矩阵;
确定所述第一矩阵与所述多个第二矩阵中各个第二矩阵之间的距离;
筛选出与所述第一矩阵之间距离小于预设距离的目标第二矩阵,并获取所述目标第二矩阵对应的目标任务分布规律图;
将所述目标任务分布规律图对应的任务簇,确定为所述目标用户对应的目标任务簇。
6.根据权利要求5所述的方法,其特征在于,所述确定所述目标移动规律图对应的第一矩阵,以及所述每个任务簇中任一参考任务簇的参考任务分布规律图对应的参考第二矩阵的方法,包括:
根据所述目标移动规律图内N个第一区域内的路径分布,确定所述目标用户在每个第一区域内的出现频次,并根据所述N个第一区域以及每个第一区域内路径的出现频次构建第一矩阵,其中,所述第一矩阵包括N个第一数值,每个第一数值与各个第一区域内的出现频次相对应,所述每个第一数值在所述第一矩阵中的位置由对应的第一区域在所述目标移动规律图位置确定;
根据所述参考任务分布规律图内N个第二区域内的任务分布,获取每个第二区域内任务的数量,并根据所述N个第二区域以及每个第二区域中任务的数量构建参考第二矩阵,其中,所述参考第二矩阵包括N个第二数值,每个第二数值与各个第二区域内任务的数量相对应,所述每个第二数值在所述参考第二矩阵中的位置由对应的第二区域在所述参考任务分布规律图位置确定。
7.根据权利要求5所述的方法,其特征在于,所述确定所述第一矩阵与所述多个第二矩阵中各个第二矩阵之间的距离,包括:
对所述第一矩阵和所述多个第二矩阵进行归一化处理,得到第一目标矩阵和多个第二目标矩阵;
对所述第一目标矩阵和各个第二目标矩阵进行差值运算,得到多个差值矩阵;
对各个差值矩阵进行取模运算,得到所述第一目标矩阵和所述各个第二目标矩阵之间的距离。
8.一种任务分配装置,其特征在于,包括:
聚类单元,用于获取针对地图信息进行采集的多个任务,并根据每个任务的任务特征对所述多个任务进行聚类处理,得到多个任务簇;
第一确定单元,用于确定目标用户的目标移动规律图以及所述多个任务簇中每个任务簇的任务分布规律图,其中,所述目标移动规律图用于指示所述目标用户在所述地图信息中N个第一区域内的路径分布,所述任务分布规律图用于指示在所述地图信息中所述N个第二区域内的任务分布,其中,所述N是正整数;
第二确定单元,用于根据所述目标移动规律图和所述每个任务簇的任务分布规律图,从所述多个任务簇中确定所述目标用户对应的目标任务簇;
分配单元,用于将所述目标任务簇分配给所述目标用户,以使得所述目标用户执行所述目标任务簇中的各个任务。
9.一种计算机设备,其特征在于,包括处理器、存储器和网络接口,所述处理器、存储器和网络接口相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7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,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110186453.8A CN112884319B (zh) | 2021-02-10 | 2021-02-10 | 一种任务分配方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110186453.8A CN112884319B (zh) | 2021-02-10 | 2021-02-10 | 一种任务分配方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884319A true CN112884319A (zh) | 2021-06-01 |
CN112884319B CN112884319B (zh) | 2023-11-03 |
Family
ID=76056482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110186453.8A Active CN112884319B (zh) | 2021-02-10 | 2021-02-10 | 一种任务分配方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884319B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971423A (zh) * | 2022-07-27 | 2022-08-30 | 北京航空航天大学 | 多ucav的协同任务分配方法、装置、电子设备及介质 |
CN115269180A (zh) * | 2022-07-18 | 2022-11-01 | 苏州大学 | 一种基于车辆地理位置感知的lcd任务分发方法及系统 |
CN115981865A (zh) * | 2022-12-29 | 2023-04-18 | 广州趣研网络科技有限公司 | 一种业务资源调度方法、装置、电子设备及存储介质 |
CN117454671A (zh) * | 2023-12-22 | 2024-01-26 | 广东力宏微电子有限公司 | 基于人工智能的场效应管寿命评估方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964148A (zh) * | 2009-07-24 | 2011-02-02 | 日立(中国)研究开发有限公司 | 道路交通信息记录服务器和gps用户终端 |
CN107093046A (zh) * | 2017-04-21 | 2017-08-25 | 北京京东尚科信息技术有限公司 | 无人配送车任务分配方法、系统和无人配送车 |
US20180174086A1 (en) * | 2016-12-19 | 2018-06-21 | Palantir Technologies Inc. | Task allocation |
CN109325671A (zh) * | 2018-09-05 | 2019-02-12 | 湖北大学 | 一种时空众包在线任务分配方法及系统 |
US20190095514A1 (en) * | 2017-09-28 | 2019-03-28 | Here Global B.V. | Parallelized clustering of geospatial data |
CN109783771A (zh) * | 2019-01-22 | 2019-05-21 | 清华大学 | 将轨迹序列转换为图像矩阵的处理方法、装置和存储介质 |
CN109886529A (zh) * | 2018-12-31 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种资源分配方法及装置、电子终端及存储介质 |
CN110019608A (zh) * | 2017-11-16 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 一种信息采集方法、装置和系统及存储设备 |
CN110162390A (zh) * | 2019-05-15 | 2019-08-23 | 清华大学 | 一种雾计算系统的任务分配方法及系统 |
CN110264026A (zh) * | 2019-04-22 | 2019-09-20 | 北京邮电大学 | 地震救援中基于两级规划的救援飞机在线任务分配方法 |
CN110334861A (zh) * | 2019-06-27 | 2019-10-15 | 四川大学 | 一种基于轨迹数据的城市区域划分方法 |
CN110826915A (zh) * | 2019-11-07 | 2020-02-21 | 中国联合网络通信集团有限公司 | 资源调度方法、设备及计算机可读存储介质 |
CN111507577A (zh) * | 2020-03-25 | 2020-08-07 | 哈尔滨工业大学(威海) | 一种基于K-means聚类算法的众包任务分配方法 |
CN111695776A (zh) * | 2020-05-11 | 2020-09-22 | 清华大学 | 无人机集群分布式在线协同区域侦察方法及装置 |
CN111709613A (zh) * | 2020-05-26 | 2020-09-25 | 中国平安财产保险股份有限公司 | 基于数据统计的任务自动分配方法、装置及计算机设备 |
-
2021
- 2021-02-10 CN CN202110186453.8A patent/CN112884319B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964148A (zh) * | 2009-07-24 | 2011-02-02 | 日立(中国)研究开发有限公司 | 道路交通信息记录服务器和gps用户终端 |
US20180174086A1 (en) * | 2016-12-19 | 2018-06-21 | Palantir Technologies Inc. | Task allocation |
CN107093046A (zh) * | 2017-04-21 | 2017-08-25 | 北京京东尚科信息技术有限公司 | 无人配送车任务分配方法、系统和无人配送车 |
US20190095514A1 (en) * | 2017-09-28 | 2019-03-28 | Here Global B.V. | Parallelized clustering of geospatial data |
CN110019608A (zh) * | 2017-11-16 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 一种信息采集方法、装置和系统及存储设备 |
CN109325671A (zh) * | 2018-09-05 | 2019-02-12 | 湖北大学 | 一种时空众包在线任务分配方法及系统 |
CN109886529A (zh) * | 2018-12-31 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种资源分配方法及装置、电子终端及存储介质 |
CN109783771A (zh) * | 2019-01-22 | 2019-05-21 | 清华大学 | 将轨迹序列转换为图像矩阵的处理方法、装置和存储介质 |
CN110264026A (zh) * | 2019-04-22 | 2019-09-20 | 北京邮电大学 | 地震救援中基于两级规划的救援飞机在线任务分配方法 |
CN110162390A (zh) * | 2019-05-15 | 2019-08-23 | 清华大学 | 一种雾计算系统的任务分配方法及系统 |
CN110334861A (zh) * | 2019-06-27 | 2019-10-15 | 四川大学 | 一种基于轨迹数据的城市区域划分方法 |
CN110826915A (zh) * | 2019-11-07 | 2020-02-21 | 中国联合网络通信集团有限公司 | 资源调度方法、设备及计算机可读存储介质 |
CN111507577A (zh) * | 2020-03-25 | 2020-08-07 | 哈尔滨工业大学(威海) | 一种基于K-means聚类算法的众包任务分配方法 |
CN111695776A (zh) * | 2020-05-11 | 2020-09-22 | 清华大学 | 无人机集群分布式在线协同区域侦察方法及装置 |
CN111709613A (zh) * | 2020-05-26 | 2020-09-25 | 中国平安财产保险股份有限公司 | 基于数据统计的任务自动分配方法、装置及计算机设备 |
Non-Patent Citations (3)
Title |
---|
LI HONG-TAO ET AL.: "\"Grid resource allocation approach based on agent coalition\"", 《COMPUTER ENGINEERING AND APPLICATIONS》, vol. 44, no. 27, pages 115 - 18 * |
杨晓光等: ""基于矩阵元素匹配性分析的公交运能均衡性评价方法研究"", 《公路交通科技》, vol. 27, no. 3, pages 119 - 124 * |
梁璨等: ""一种多机器人协作探索未知环境与地图构建的系统设计"", 《工业控制计算机》, vol. 32, no. 5, pages 82 - 84 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115269180A (zh) * | 2022-07-18 | 2022-11-01 | 苏州大学 | 一种基于车辆地理位置感知的lcd任务分发方法及系统 |
CN114971423A (zh) * | 2022-07-27 | 2022-08-30 | 北京航空航天大学 | 多ucav的协同任务分配方法、装置、电子设备及介质 |
CN114971423B (zh) * | 2022-07-27 | 2022-10-04 | 北京航空航天大学 | 多ucav的协同任务分配方法、装置、电子设备及介质 |
CN115981865A (zh) * | 2022-12-29 | 2023-04-18 | 广州趣研网络科技有限公司 | 一种业务资源调度方法、装置、电子设备及存储介质 |
CN115981865B (zh) * | 2022-12-29 | 2024-05-07 | 广州趣研网络科技有限公司 | 一种业务资源调度方法、装置、电子设备及存储介质 |
CN117454671A (zh) * | 2023-12-22 | 2024-01-26 | 广东力宏微电子有限公司 | 基于人工智能的场效应管寿命评估方法 |
CN117454671B (zh) * | 2023-12-22 | 2024-04-12 | 广东力宏微电子有限公司 | 基于人工智能的场效应管寿命评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112884319B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884319A (zh) | 一种任务分配方法、装置、计算机设备以及存储介质 | |
CN103134505B (zh) | 路径规划系统及其方法 | |
Jiao et al. | A novel next new point-of-interest recommendation system based on simulated user travel decision-making process | |
US11176217B2 (en) | Taxonomy-based system for discovering and annotating geofences from geo-referenced data | |
CN107402955A (zh) | 确定地理围栏的索引网格的方法和装置 | |
Chen et al. | Designing efficient and balanced police patrol districts on an urban street network | |
CN113763700A (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
US11900402B2 (en) | Characterizing groups based on geolocations reported by populations of mobile computing devices | |
US11741487B2 (en) | Characterizing geographic areas based on geolocations reported by populations of mobile computing devices | |
CN114529043A (zh) | 一种城市空间组团划分方法 | |
CN112651574B (zh) | 基于p中位遗传算法的选址方法、装置及电子设备 | |
CN110619090B (zh) | 一种区域吸引力评估方法及设备 | |
CN117037482A (zh) | 道路交通运行状态实时感知方法、系统、设备及存储介质 | |
CN110503234A (zh) | 一种物流运输调度的方法、系统及设备 | |
CN109657950A (zh) | 层次分析方法、装置、设备及计算机可读存储介质 | |
CN115455276A (zh) | 推荐对象的方法、装置、计算机设备和存储介质 | |
CN111024108A (zh) | 智能路线规划展示装置 | |
CN117290741B (zh) | 车辆聚类方法、装置、计算机设备和存储介质 | |
CN114841084B (zh) | 一种基于航拍图像的人员疏散模拟方法、系统及设备 | |
CN112232572B (zh) | 一种空间搜索方法、装置及存储介质 | |
CN113283637B (zh) | 一种城市开敞空间服务网络优化方法、装置、设备及介质 | |
CN115631320B (zh) | 预计算单元格显示方法、预计算单元格生成方法及装置 | |
CN116307979A (zh) | 分单方法、装置、存储介质、电子设备和产品 | |
CN116957650A (zh) | 银行网点布局规划方法、装置、设备及存储介质 | |
CN116205392A (zh) | 车辆路线的确定方法、装置、计算机设备和存储介质 |
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 |