CN113240037B - 目标区域的确定方法、装置、设备及存储介质 - Google Patents
目标区域的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113240037B CN113240037B CN202110595297.0A CN202110595297A CN113240037B CN 113240037 B CN113240037 B CN 113240037B CN 202110595297 A CN202110595297 A CN 202110595297A CN 113240037 B CN113240037 B CN 113240037B
- Authority
- CN
- China
- Prior art keywords
- target
- determining
- area
- processed
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种目标区域的确定方法、装置、设备及存储介质,涉及智能安防技术领域,可以解决采用人工统计的方式确定出的目标区域的准确度不高,且效率低下的问题;该方法包括:获取指定范围对应的多个历史事件发生位置;将多个历史事件发生位置划分为N个目标数据集,每个目标数据集对应指定范围内的一个区域;其中,N≥1;对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域,子区域的面积不大于第一预设阈值,不同子区域的事件密度不同;将至少一个子区域分别确定为目标区域。
Description
技术领域
本发明涉及智能安防技术领域,尤其是涉及一种目标区域的确定方法、装置、设备及存储介质。
背景技术
“事件”指的是指定范围内出现需由相关单位分派工作人员出面来处理的事情。各个地区的事件数量和处理该事件的工作人员的数量是衡量一个地区治理的主要因素之一。因此,如何有效减少事件发生的数量,以及合理地向不同地区分派工作人员是目前亟待解决的问题。
相关技术中,通过人工统计的方式对指定范围内的历史事件信息进行分析,确定出该指定范围内的目标区域,根据目标区域的实际情况合理的部署,能够有效减少事件发生的数量,以达到地区治理的效果。
但是,采用人工统计对历史事件信息进行分析确定目标区域的方式,会导致确定出的目标区域的准确度不高,且效率低下的问题。
发明内容
本申请提供一种目标区域的确定方法、装置、设备及存储介质,可以解决采用人工统计的方式确定出的目标区域的准确度不高,且效率低下的问题。
本申请采用如下技术方案:
第一方面、本申请实施例提供一种目标区域的确定方法,该确定方法包括获取指定范围对应的多个历史事件发生位置;将多个历史事件发生位置划分为N个目标数据集,每个目标数据集对应指定范围内的一个区域;其中,N≥1;对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域,子区域的面积不大于第一预设阈值,不同子区域的事件密度不同;将至少一个子区域分别确定为目标区域。
基于第一方面,在采用本申请实施例提供的目标区域的确定方法时,通过指定范围内对应的多个历史事件发生位置,将多个历史事件发生位置划分为N个目标数据集,即将指定范围划分为N个区域,然后通过对每个目标数据集进行聚类处理,确定出每个目标数据集对应的至少一个子区域,并将至少一个子区域确定为目标区域,可以看出,该方法完全替代了人工统计的方式,从而能够提高确定出的目标区域的准确度,以及确定目标区域的效率。
在此基础上,由于本申请实施例是先将指定范围划分为N个目标数据集,即N个区域,然后对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域,然后将至少一个子区域确定为目标区域,避免了相关技术中直接对指定范围进行聚类处理时,存在确定出的目标区域较少或者没有目标区域的问题;并且,由于本申请实施例中的子区域的面积不大于预设阈值,即子区域的面积较小,有利于提高工作人员治理子区域内发生事件时的工作效率。
可选的,将多个历史事件发生位置划分为N个目标数据集,包括:从多个历史事件发生位置中选取N个第一位置;确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离;根据距离,确定N个待处理数据集,每个待处理数据集包括一个第一位置,以及与第一位置之间的距离小于或等于第一预设距离的历史事件发生位置;不同待处理数据集中的第一位置不同;确定每个待处理数据集的第二位置,第二位置与待处理数据集中的其它历史事件发生位置之间的距离小于或等于第二预设距离;针对每个待处理数据集,确定第一位置与第二位置之间的距离;若每一距离均小于或等于第三预设距离,则将N个待处理数据集作为N个目标数据集;若任一距离大于第三预设距离,则将第一位置更新为第二位置,重新确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,直到确定出N个目标数据集。
基于该可选的方式,通过选取N个第一位置,并确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,多个历史事件发生位置中,离那个第一位置近,就将该历史事件发生位置划分到该第一位置中,从而得到N个待处理数据集;在此基础上,确定每个待处理数据集的第二位置,即确定出每个待处理数据集中的中间位置,计算第一位置与第二位置之间的距离,若第一位置与第二位置之间的距离小于或等于第三预设距离,则说明第一位置和第二位置变化不大,说明聚类算法趋于稳定,可以终止算法,若第一位置与第二位置之间的距离大于第三预设距离,则说明第一位置和第二位置变化较大,需要将第一位置更新为第二位置,重新确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,直到确定出N个目标数据集,通过该方法,可以将指定范围划分为多个区域,即划分闹市区和偏远地区,有利于提高聚类的准确度,以及避免了直接对指定范围进行聚类时,出现部分区域存在较少或者没有子区域的结果,导致聚类失效的问题。
可选的,每个目标数据集包括多个历史事件发生位置;一个历史事件发生位置对应一个数据点;对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域,包括:针对每个目标数据集,执行下述处理:确定第一目标参数;第一目标参数用于指示目标数据集的目标密度阈值;目标密度阈值与目标数据集的所有密度阈值中,最小的密度阈值之间的差值不大于第二预设阈值;根据第一目标参数,确定第二目标参数;第二目标参数包括目标邻域半径和目标数量;目标邻域半径用于指示满足预设范围的邻域半径;目标数量用于指示与目标邻域半径对应的数据点的数量;根据第二目标参数,确定目标数据集对应的至少一个子区域。
基于该可选的方式,通过采用Dbscan聚类算法对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域,由于Dbscan聚类算法对Eps和MinPts十分敏感,取值不当会导致聚类效果变差甚至不正确,基于此,本申请在Dbscan聚类算法的基础上,引入密度阈值的概念,利用目标数据集自身的分布特性,对于每个目标数据集而言,通过确定出第一目标参数,即确定出目标密度阈值,然后结合实际应用场景选择与目标密度阈值对应的目标邻域半径和目标数量作为第二目标参数,最后基于第二目标参数进行聚类处理,聚类的全部过程无需人为干预,提高了聚类效率。
可选的,确定第一目标参数,包括:确定第二参数列表;第二参数列表包括目标数据集对应的M个邻域半径和M个与邻域半径对应的数据点的数量;根据第二参数列表,确定第一参数列表;第一参数列表包括目标数据集对应的M个密度阈值;从第一参数列表中选取目标密度阈值作为第一目标参数。
基于该可选的方式,通过确定出目标数据集的M个邻域半径和M个与邻域半径对应的数据点的数量,计算出M个密度阈值,即确定出第一参数列表,然后从第一参数列表中选取最优的密度阈值作为第一目标参数,有利于进一步提高聚类结果的准确度。
可选的,确定第二参数列表,包括:执行M次第一操作,以确定第二参数列表;其中,每次执行第一操作时对应的K值不同,K∈[1,M];第一操作包括:确定目标数据集中,每个数据点与其第K个最近邻数据点之间的距离;基于所有距离的平均值,确定目标数据集的第K个邻域半径;获取目标数据集中,每个数据点在第K个邻域半径范围内的相邻数据点的数量;基于所有数量的平均值,确定与第K个邻域半径对应的数据点的数量。
基于该可选的方式,对于每个目标数据集而言,通过执行M次第一操作,以确定出每个目标数据集的第二参数列表,有利于减少设备功耗。另外,通过将目标数据集中每个数据点与第K个最近邻数据点之间的所有距离的平均值作为目标数据集的第K个邻域半径,并将目标数据集中每个数据点在第K个邻域半径范围内的相邻数据点的所有数量的平均值作为与第K个邻域半径对应的数据点的数量,有利于提高确定出的第二参数列表的准确度。
可选的,根据第二目标参数,确定每个目标数据集对应的至少一个子区域,包括:根据第二目标参数,将目标数据集划分为至少一个待处理区域;对于每个待处理区域而言,执行下述处理:确定待处理区域的面积;若待处理区域的面积小于或等于第一预设阈值,则将待处理区域确定为子区域;若待处理区域的面积大于第一预设阈值,则重新确定待处理区域的第二目标参数,直到不存在待处理区域的面积大于第一预设阈值的情况。
基于该可选的方式,通过判断待处理区域的面积与第一预设阈值之间的关系,使得最终确定出的每个目标数据集对应的至少一个子区域的面积均不大于第一预设阈值,从而避免了当子区域的面积过大时,不利于工作人员开展治理工作的问题。
可选的,确定待处理区域的面积,包括:获取待处理区域的所有位置;确定当前边界位置,以及与当前边界位置对应的初始向量;执行第二操作:获取当前边界位置与其余位置之间的所有向量;将所有向量中与初始向量之间的夹角最小的向量确定为初始向量,并将重新确定的初始向量中,与当前边界位置连接的位置确定为边界位置;重新获取当前边界位置,执行第二操作,以确定出待处理区域的所有边界位置,所有边界位置构成的区域的面积为待处理区域的面积;重新获取的当前边界位置为上一次执行第二操作时,确定出的边界位置。
基于该可选的方式,首先确定出每个待处理区域的边界位置,然后将每个待处理区域的边界位置所构成的区域的面积作为待处理区域的面积,从而能够提高确定出的待处理区域的面积的准确度,并减少设备功耗。
第二方面、本申请实施例提供一种目标区域的确定装置,该确定装置可以实现上述第一方面或者第一方面可能的设计中确定装置所执行的功能,所述功能可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个上述功能相应的模块。该确定装置包括获取模块、处理模块和确定模块;具体的,获取模块用于获取指定范围对应的多个历史事件发生位置;处理模块,用于将多个历史事件发生位置划分为N个目标数据集;每个数据集对应指定范围内的一个区域;其中,N≥1;处理模块还用于,对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域;子区域的面积不大于第一预设阈值,不同子区域的事件密度不同;确定模块,用于将至少一个子区域分别确定为目标区域。
可选的,处理模块具体用于,从多个历史事件发生位置中选取N个第一位置;确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离;根据距离,确定N个待处理数据集;每个待处理数据集包括一个所述第一位置,以及与第一之间的距离小于或等于第一预设距离的历史事件发生位置;不同待处理数据集中的第一位置不同;确定每个待处理数据集的第二位置,第二位置与待处理数据集中的其它历史事件发生位置之间的距离小于或等于第二预设距离;针对每个待处理数据集,确定第一位置与所述第二位置之间的距离;若每一距离均小于或等于第三预设距离,则将N个待处理数据集作为N个目标数据集;若任一距离大于第三预设距离,则将第一位置更新为第二位置,重新确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,直到确定出N个目标数据集。
可选的,每个目标数据集包括多个历史事件发生位置;一个历史事件发生位置对应一个数据点;处理模块具体用于,针对每个目标数据集,执行下述处理:确定第一目标参数;第一目标参数用于指示目标数据集的目标密度阈值;目标密度阈值与目标数据集的所有密度阈值中,最小的密度阈值之间的差值不大于第二预设阈值;根据第一目标参数,确定第二目标参数;第二目标参数包括目标邻域半径和目标数量;目标邻域半径用于指示满足预设范围的邻域半径;目标数量用于指示与目标邻域半径对应的数据点的数量;根据第二目标参数,确定目标数据集对应的至少一个子区域。
可选的,处理模块具体用于,确定第二参数列表;第二参数列表包括目标数据集对应的M个邻域半径和M个与邻域半径对应的数据点的数量;根据第二参数列表,确定第一参数列表;第一参数列表包括目标数据集对应的M个密度阈值;从第一参数列表中选取目标密度阈值作为第一目标参数。
可选的,处理模块具体用于,执行M次第一操作,以确定第二参数列表;其中,每次执行第一操作时对应的K值不同,K∈[1,M];第一操作包括:确定目标数据集中,每个数据点与其第K个最近邻数据点之间的距离;基于所有距离的平均值,确定目标数据集的第K个邻域半径;获取目标数据集中,每个数据点在第K个邻域半径范围内的相邻数据点的数量;基于所有数量的平均值,确定与第K个邻域半径对应的数据点的数量。
可选的,处理模块具体用于,根据第二目标参数,将目标数据集划分为至少一个待处理区域;对于每个待处理区域而言,执行下述处理:确定待处理区域的面积;若待处理区域的面积小于或等于第一预设阈值,则将待处理区域确定为子区域;若待处理区域的面积大于第一预设阈值,则重新确定待处理区域的第二目标参数,直到不存在待处理区域的面积大于第一预设阈值的情况。
可选的,处理模块具体用于,获取待处理区域的所有位置;确定当前边界位置,以及与当前边界位置对应的初始向量;执行第二操作:获取当前边界位置与其余位置之间的所有向量;将所有向量中与初始向量之间的夹角最小的向量确定为初始向量,并将重新确定的初始向量中,与当前边界位置连接的位置确定为边界位置;重新获取当前边界位置,执行所述第二操作,以确定出待处理区域的所有边界位置,所有边界位置构成的区域的面积为待处理区域的面积;重新获取的当前边界位置为上一次执行第二操作时,确定出的边界位置。
第三方面、本申请实施例提供一种电子设备,该电子设备包括存储器和处理器。上述存储器和处理器耦合。该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令。当处理器执行该计算机指令时,以使电子设备执行如第一方面或者第一方面中任一种可能的实现方式所述的方法。
第四方面、本申请提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如第一方面或者第二方面中任一种可能的实现方式所述的方法。
第五方面、本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如第一方面或者第一方面中任一种可能的实现方式所述的方法。
可以理解的是,上述提供的任一种确定装置、计算机可读存储介质、计算机程序产品或芯片等均可以应用于上文所提供的对应的方法,因此,其所能达到的有益效果可参考对应的方法中的有益效果,此处不再赘述。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种系统架构图;
图2为本申请实施例提供的一种计算机装置的组成示意图;
图3为本申请实施例提供的一种目标区域的确定方法的流程示意图;
图4为本申请实施例提供的另一种目标区域的确定方法的流程示意图;
图5为本申请实施例提供的另一种目标区域的确定方法的流程示意图;
图6为本申请实施例提供的另一种目标区域的确定方法的流程示意图;
图7为本申请实施例提供的另一种目标区域的确定方法的流程示意图;
图8为本申请实施例提供的又一种目标区域的确定方法的流程示意图;
图9为本申请实施例提供的再一种目标区域的确定方法的流程示意图;
图10a为本申请实施例提供的一种待处理区域中所有位置在二维坐标系中分布的示意图;
图10b为本申请实施例提供的另一种待处理区域中所有位置在二维坐标系中分布的示意图;
图10c为本申请实施例提供的再一种待处理区域中所有位置在二维坐标系中分布的示意图;
图11为本申请实施例提供的一种目标区域的确定装置的结构示意图。
具体实施方式
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象,或者用于区别对同一对象的不同处理,而不是用于描述对象的特定顺序。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
本申请提供一种目标区域的确定方法,首先根据指定范围对应的多个历史事件发生位置,将多个历史事件发生位置划分为N个目标数据集,即将指定范围划分为N个区域,然后通过对每个目标数据集进行聚类处理,确定出每个目标数据集对应的至少一个子区域,并将至少一个子区域确定为目标区域,能够有效提高确定出的目标区域的准确度,以及确定目标区域的效率。
本申请提供的目标区域的确定方法可以应用于图1所示的系统架构。如图1所示,该系统架构包括终端设备1和服务器2;其中,终端设备1和服务器2可以通过网络互连并通信。
具体的,网络可以是有线、无线通信网络或者光纤电缆等。用户可以使用终端设备1通过网络与服务器2进行交互,以接收或发送消息等。终端设备1上安装有至少一种客户端应用,例如记录历史事件文本的应用,确定目标区域的应用,展示目标区域的应用、网页浏览器应用等。
终端设备1可以是任何一种可与用于通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品;例如手机,平板电脑、掌上电脑、个人计算机(Personal Computer,PC)、可穿戴设备、智能电视等。
服务器2可以是提供各种服务的服务器,例如对指定范围内的目标区域进行识别的服务器。示例性的,服务器可以将接收到的指定范围对应的多个历史事件发生位置划分为N个目标数据集,然后分别对N个目标数据集进行处理,并将处理结果(例如确定出的目标区域)反馈给终端设备1。具体的,服务器2可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。
本领域技术人员应该能理解到,上述终端设备1和服务器仅为举例,其他现有的或今后可能出现的终端设备或服务器如可适用于本申请,也应包含在本申请保护范围内,并在此以引用方式包含于此。
上述终端设备1和服务器2的基本硬件结构类似,都包括图2所示的计算机装置所包括的元件。下面以图2所示的计算机装置为例,介绍终端设备1和服务器2的硬件结构。
如图2所示,计算机装置可以包括处理器101、存储器102、通信接口103、总线104。处理器101、存储器102以及通信接口103之间可以通过总线104连接。
处理器101是计算机装置的控制中心,处理器101可以是一个处理器,也可以是多个处理元件的统称。例如,处理器101可以是一个通用中央处理单元(central processingunit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器101包括一个或多个CPU,例如图2中所示的CPU 0和CPU1。
存储器32可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
一种可能的实现方式中,存储器102可以独立于处理器101存在,存储器102可以通过总线104与处理器101相连接,用于存储指令或者程序代码。处理器101调用并执行存储器102中存储的指令或程序代码时,能够实现本申请下述实施例提供的目标区域的确定方法。
另一种可能的实现方式中,存储器102也可以和处理器101集成在一起。
通信接口103,用于使计算机装置与其他设备通过通信网络连接,所述通信网络可以是以太网,无线接入网(radio access network,RAN),无线局域网(wireless localarea networks,WLAN)等。通信接口103可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
总线104,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
需要指出的是,图2中示出的结构并不构成对该计算机装置的限定,除图2所示部件之外,该计算机装置还可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件的设置。
本申请实施例提供的目标区域的确定方法可以应用于目标区域的确定装置(以下实施例均简称为确定装置),该确定装置可以为上述实施例中的终端设备1,也可以为上述实施例中的服务器2。
下面结合说明书附图对本申请实施例的实施方式进行详细描述。
图3为本申请实施例提供的一种目标区域的确定方法的流程示意图,如图3所示,该确定方法包括:
S20、确定装置获取指定范围对应的多个历史事件发生位置。
具体的,确定装置可以从历史事件文本中获取指定范围对应的多个历史事件发生位置;历史事件文本可以是在历史时段,发生在该指定范围内的事件信息构建的。
示例性的,通过不同源头采集该指定范围内的历史事件信息,对采集到的所有历史事件信息进行处理(例如进行数据清洗、特征提取等),从而构建对应的历史事件文本(也可以称为事件信息库)。
其中,每个历史事件信息包括位置信息,即本申请实施例中的历史事件发生位置。在一些实施例中,每个历史事件信息还可以包括事件标识、事件类别等其它数据。
具体的,事件标识可以为不同事件级别对应的标识。示例性的,可以按照突发性事件发生的紧急程度、发展势态和可能造成的危害程度将不同的事件划分为不同的级别,每一级别对应一个事件标识。例如,A代表一级事件,B代表二级事件,C代表三级事件。
事件类别可以为不同事件级别对应的事件的具体内容。示例性的,事件标识为A时对应的事件类别可以是聚众斗殴;事件标识为B时对应的事件类别可以是交通事故;事件标识为C时对应的事件类别可以是家庭纠纷。
位置信息例如可以是发生事件的地理位置(例如经度,纬度地理坐标)。示例性的,地理位置可以表示为(X,Y);其中,X表示经度坐标,Y表示纬度坐标。
需要说明的是,指定范围指的是管理单位对应的管理区域,即管理单位可以对该指定范围内发生的事件进行处理。
另外,本申请实施例中,对历史事件文本中包括的历史事件信息的数量不进行限定。以历史事件文本包括三个历史事件信息为例,参照下述表1,对历史事件文本包括的历史事件信息进行举例说明。
表1
事件标识 | A | B | C |
事件类别 | 聚众斗殴 | 交通事故 | 家庭纠纷 |
位置信息 | (X1,Y1) | (X2,Y2) | (X3,Y3) |
示例性的,三个历史事件信息可以为第一历史事件信息,第二历史事件信息以及第三历史事件信息。上述表1中,第一历史事件信息包括事件标识A、事件类别(聚众斗殴)、位置信息(X1,Y1);第二历史事件信息包括事件标识B、事件类别(交通事故)、位置信息(X2,Y2);第三历史事件信息包括事件标识C,事件类别(家庭纠纷)、位置信息(X3,Y3)。
为了便于理解,可以将事件标识标记为x,事件类别标记为y,位置信息标记为z。基于此,第一历史事件信息可以表示为(x1,y1,z1);第二历史事件信息可以表示为(x2,y2,z2);第三历史事件信息可以表示为(x3,y3,z3)。
本领域技术人员应该理解到,上述对于历史事件信息的标识仅为举例说明,不构成对本申请实施例的限定。
一种可能的设计中,获取指定范围对应的多个历史事件发生位置,可以是不区分事件类别以及事件级别,获取指定范围内多个历史事件发生位置,基于获取的所有历史事件发生位置来确定目标区域,从而为目标区域分派工作人员处理相应事件。
另一种可能的设计中,获取指定范围对应的多个历史事件发生位置,可以是区分事件类别、或者区分事件级别、或者区分事件类别以及事件级别,来获取相应历史事件发生位置。例如:获取指定范围内相同类别的多个历史事件发生位置,按事件类别确定目标区域,从而为目标区域分配能够处理该类别事件的工作人员。
本领域技术人员应该理解到,上述对于获取指定范围对应的多个历史事件发生位置的方式仅为举例说明,不构成对本申请实施例的限定。
S21、确定装置将多个历史事件发生位置划分为N个目标数据集。
其中,每个目标数据集对应指定范围内的一个区域,N≥1。
具体的,S21可以实现为:确定装置将指定范围划分为N个区域;每个区域内包括多个历史事件发生位置,该多个历史事件发生位置构成一个目标数据集。
一种可能的设计中,确定装置根据该指定范围内在历史时段发生的事件的密集程度,将该指定范围划分为N个区域。
示例性的,以将该指定范围划分为三个区域(即N=3)为例,例如划分后的该指定范围包括第一区域、第二区域和第三区域。可以理解的是,第一区域、第二区域和第三区域的事件密集程度不同,即不同区域发生的事件的数量不同。
作为一种示例,将指定范围按照事件密集程度划分后,第一区域可以称为闹市区,第二区域和第三区域可以称为偏远地区。
需要说明的是,闹市区和偏远地区是一个相对概念。闹市区为人群密集的区域,通常情况下,人群越密集的地方所发生的事件的数量也较多,即闹市区的事件密集程度较大。相应地,偏远地区为人员居住分散的区域,通常情况下,人群越稀疏的地方所发生的事件的数量也相对较少,即偏远地区的事件密集程度较小。
S22、确定装置对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域。
其中,子区域的面积不大于预设阈值,不同子区域的事件密度不同。
示例性的,聚类处理可以采用K-means(k-means clustering algorithm,k均值聚类算法)聚类算法,也可以采用Dbscan(density-based spatial clustering ofapplications with noise)聚类算法,本申请实施例对此不进行限定。
其中,Dbscan聚类算法是一种基于密度的空间聚类算法,即要求聚类空间中的一定区域内所包含对象的数目不小于某一给定阈值。Dbscan聚类算法将具有足够密度的区域划分为簇,并在具有噪声的空间数据库中发现任意形状的簇,它将簇定义为密度相连的点的最大集合。
S23、确定装置将至少一个子区域分别确定为目标区域。
目标区域可以用于表征一个地区的范围。例如,当目标数据集对应指定范围内的闹市区时,目标区域为闹市区内的一个区域,即闹市区内的一个地区的范围。
可选的,确定装置还可以确定出每个子区域的聚类中心,然后将聚类中心对应的地址确定为目标区域的地址。
其中,聚类中心用于表征子区域内包括的所有历史事件发生位置的中心位置。
容易理解的是,确定装置确定出的每个子区域的形状、大小可能会有不同,那么,若将子区域内包括的所有历史事件发生位置的中心位置确定为子区域的聚类中心,则说明子区域内的其它历史事件发生位置均围绕在聚类中心的周围,这种情况下,聚类中心能够较为准确的反映出子区域的历史事件发生位置的聚集程度。
基于此,为了提高工作人员处理事件的效率,将聚类中心对应的地址确定为目标区域的地址,这样一来,一方面,可以向目标区域对应的地址分派合理的工作人员的数量,然后所有的工作人员可以向该地址的周边范围进行扩展,以便于对目标区域进行管理;另一方面,若某一个目标区域内发生事件,则确定装置可以直接向工作人员展示(或者显示)目标区域对应的地址,即目标区域的聚类中心的地址,那么,工作人员可以根据该地址快速到达目标区域,以便于及时处理事件。
一种可能的设计中,聚类中心为子区域中的所有历史事件发生位置的平均值。
示例性的,假设子区域包括a、b、c三个历史事件发生位置;其中,a位置的坐标为(1,1)、b位置的坐标为(2,2)、c位置的坐标为(3,3)。
一种可能的实现方式中,可以通过计算a、b、c三个历史事件发生位置的坐标的平均值,确定子区域的聚类中心。例如,a、b、c三个位置横坐标的平均值为2,纵坐标的平均值为2,因此可以将b位置(2,2)确定为聚类中心。
另一种可能的设计中,聚类中心对应的历史事件发生位置与子区域中其它历史事件发生位置之间的距离小于除了聚类中心以外,子区域中其它任意两个历史事件发生位置之间的距离。
结合上述的实现方式,示例性的,计算a、b、c三个历史事件发生位置中,每两个历史事件发生位置之间的距离。例如,b位置与a位置之间的距离为b位置与c位置之间的距离为/>而a位置与c位置之间的距离为/>可以看出,b位置与子区域中其它历史事件发生位置之间的距离最小,而a位置和c位置之间的距离较大,因此,可以将b位置确定为子区域的聚类中心。
需要说明的是,上述实施例中计算每两个历史事件发生位置之间的距离具体实现方式可以参考相关技术,此处不再赘述。
结合上述实施例,假设子区域的聚类中心为b位置,在此基础上,可以将b位置对应的地址确定为目标区域的地址。
需要说明的是,由于每个子区域均包括一个聚类中心,因此可以将每个聚类中心的地址分别确定为对应目标区域的地址,从而可以确定出每个目标数据集中包括的目标区域的地址集合。
作为一种示例,b位置对应的地址例如可以为“xx写字楼”,因此将“xx写字楼”确定为目标区域的地址。
综上所述,在采用本申请实施例提供的目标区域的确定方法时,通过指定范围内对应的多个历史事件发生位置,将多个历史事件发生位置划分为N个目标数据集,即将指定范围划分为N个区域,然后通过对每个目标数据集进行聚类处理,确定出每个目标数据集对应的至少一个子区域,并将至少一个子区域确定为目标区域,可以看出,该方法完全替代了人工统计的方式,从而能够提高确定出的目标区域的准确度,以及确定目标区域的效率。
在此基础上,由于本申请实施例是先将指定范围划分为N个目标数据集,即N个区域,然后对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域,然后将至少一个子区域确定为目标区域,避免了相关技术中直接对指定范围进行聚类处理时,存在确定出的目标区域较少或者没有目标区域的问题;并且,由于本申请实施例中的子区域的面积不大于预设阈值,即子区域的面积较小,有利于提高工作人员治理子区域内发生事件时的工作效率。
可选的,结合图3,如图4所示,将多个历史事件发生位置划分为N个目标数据集的过程可以包括S210-S214。
S210、确定装置从多个历史事件发生位置中选取N个第一位置。
具体的,S210可以实现为:从多个历史事件发生位置中随机选取N个第一位置。示例性的,第一位置也可以称为第一质心。
需要说明的是,本申请实施例中,需要将指定范围划分为几个目标数据集,就选取几个第一位置。例如,需要将指定范围划分为三个目标数据集,就选取三个第一位置。
示例性的,假设指定范围内对应a、b、c、d、e、f六个历史事件发生位置,则随机选取三个历史事件发生位置,作为第一位置。例如,选取c、e、f三个历史事件发生位置,作为第一位置。
S211、确定装置确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离。
需要说明的是,上述提到的每个历史事件发生位置不包括已经选取出来的N个第一位置,即计算多个历史事件发生位置中,除了选取出来的N个第一位置,其余所有历史事件发生位置中,每个历史事件发生位置与每个第一位置之间的距离。
示例性的,结合上述实施例,以多个历史事件发生位置包括a、b、c、d、e、f,选取c、e、f作为第一位置;则多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离可以表示为:历史事件发生位置a、历史事件发生位置b和历史事件发生位置d分别与第一位置c之间的距离;历史事件发生位置a、历史事件发生位置b和历史事件发生位置d与第一位置e之间的距离;历史事件发生位置a、历史事件发生位置b和历史事件发生位置d与第一位置f之间的距离。
需要说明的是,每个历史事件发生位置与每个第一位置之间的距离例如可以为欧式距离;在此基础上,计算每个历史事件发生位置与每个第一位置之间的距离可以采用欧式距离的公式,其具体实现方式可以参考相关技术,此处不再详述。
S212、确定装置根据距离,确定N个待处理数据集。
其中,每个待处理数据集包括一个第一位置,以及与第一位置之间的距离小于或等于第一预设距离的历史事件发生位置;不同待处理数据集中的第一位置不同。
需要说明的是,对于第一预设距离的具体设置,可以根据实际需要进行设置,本申请实施例不作限定。
具体的,S212可以实现为:针对一个历史事件发生位置,计算其与每个第一位置之间的距离,将该历史事件发生位置与第一位置之间的所有距离中的最小距离所对应的第一位置划分为同一个待处理数据集。
示例性的,结合S211中的实施例,假设历史事件发生位置a与第一位置c、第一位置e和第一位置f之间的所有距离中,历史事件发生位置a与第一位置c之间的距离最小,即历史事件发生位置a与第一发生位置c之间的距离小于历史事件发生位置a与第一位置e之间的距离,且小于历史事件发生位置a与第一位置f之间的距离,因此将历史事件发生位置a和第一位置c划分为同一待处理数据集中。
相应地,假设历史事件发生位置b与第一位置c、第一位置e和第一位置f之间的所有距离中,历史事件发生位置b与第一位置c之间的距离最小,即历史事件发生位置b与第一位置c之间的距离小于历史事件发生位置b第一位置e之间的距离,且小于历史事件发生位置b与第一位置f之间的距离,因此将历史事件发生位置b和第一位置c划分为同一待处理数据集中。
相应地,假设历史事件发生位置d与第一位置c、第一位置e和第一位置f之间的所有距离中,历史事件发生位置d第一位置e之间的距离最小,即历史事件发生位置d与第一位置e之间的距离小于历史事件发生位置d第一位置c之间的距离,且小于历史事件发生位置d与第一位置f之间的距离,因此将历史事件发生位置d和第一位置e划分为同一待处理数据集中。
综上所述,通过计算多个历史事件发生位置中的每个历史事件发生位置与三个第一位置之间的距离,从而可以将多个历史事件发生位置划分为三个待处理数据集;例如第一待处理数据集(a、b、c),第二待处理数据集(d、e),第三待处理数据集(f)。
S213、确定装置确定每个待处理数据集的第二位置。
其中,第二位置与待处理数据集中的其它历史事件发生位置之间的距离小于或等于第二预设距离。
需要说明的是,第二预设距离可以根据实际需要进行设置,本申请实施例中不作具体限定。
一种可能的设计中,第二位置也可以称为第二质心。
可选的,可以将每个待处理数据集中的历史事件发生位置的平均值作为第二位置。
例如,在第一待处理数据集(a、b、c)中,计算历史事件发生位置a、历史事件发生位置b和历史事件发生位置c的坐标的平均值,确定第一待处理数据集(a、b、c)中的第二位置(例如为历史事件发生位置b)。
需要说明的是,确定第一待处理数据集的第二位置的具体实现方式可以参考上述S23中的举例说明,此处不再详述。
相应地,在第二待处理数据集(d、e)中,计算历史事件发生位置d和历史事件发生位置e的坐标的平均值,确定第二待处理数据集(d、e)中的第二位置(例如为历史事件发生位置d)。
可以理解的是,在第三待处理数据集(f)中,由于只有一个历史事件发生位置,因此第三待处理数据集的第二位置为历史事件发生位置f,即第三待处理数据集中的第一位置和第二位置相同。
S214、针对每个待处理数据集,确定装置确定第一位置与第二位置之间的距离。
具体的,S214可以实现为:计算每个待处理数据集中的第一位置和第二位置之间的距离,从而可以得到N个距离。
示例性的,在第一待处理数据集(a、b、c)中,第一位置为历史事件发生位置c,第二位置为历史事件发生位置b,因此第一位置与第二位置之间的距离为历史事件发生位置c和历史事件发生位置b之间的距离。
在第二待处理数据集(d、e)中,第一位置为历史事件发生位置e,第二位置为历史事件发生位置d,因此第一位置与第二位置之间的距离为历史事件发生位置e和历史事件发生位置d之间的距离。
在第三待处理数据集(f)中,由于第一位置和第二位置相同,因此第三待处理数据集中第一位置和第二位置之间的距离为零。
具体的,在S214中确定的每个待处理数据集中第一位置和第二位置之间的距离之后,确定装置对所有距离与第三预设距离之间的关系进行判断。
需要说明的是,第三预设距离可以根据具体需要进行设置,本申请实施例不作限定。
若每一距离均小于或等于第三预设距离,则将N个待处理数据集作为N个目标数据集;若任一距离大于第三预设距离,则将第一位置更新为第二位置,重新确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,直到确定出N个目标数据集。
具体的,在执行完上述S210-S214之后,若所有待处理数据集中第一位置和第二位置之间的距离均小于或等于第三预设距离,则将N个待处理数据集作为N个目标数据集;若任一距离大于第三预设距离,则将所述第一位置更新为第二位置,重新执行S211-S214,直到确定出N个目标数据集。
需要说明的是,若每一距离均小于或等于第二预设距离,则表示重新确定的第二事件位置变化不大,趋于稳定,或者说收敛,此时可以认为执行S210-S214的结果已经达到期望结果,可以终止算法;若任一距离大于第二预设距离,则表示第一位置和第二位置变化很大,需要重新执行算法步骤,直到算法的结果达到预期的结果。
另外,本申请实施例中,确定每个目标数据集的方法例如可以为K-means聚类算法。
综上所述,本申请实施例中,通过选取N个第一位置,并确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,多个历史事件发生位置中,离那个第一位置近,就将该历史事件发生位置划分到该第一位置中,从而得到N个待处理数据集;在此基础上,确定每个待处理数据集的第二位置,即确定出每个待处理数据集中的中间位置,计算第一位置与第二位置之间的距离,若第一位置与第二位置之间的距离小于或等于第三预设距离,则说明第一位置和第二位置变化不大,说明聚类算法趋于稳定,可以终止算法,若第一位置与第二位置之间的距离大于第三预设距离,则说明第一位置和第二位置变化较大,需要将第一位置更新为第二位置,重新确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,直到确定出N个目标数据集,通过该方法,可以将指定范围划分为多个区域,即划分闹市区和偏远地区,有利于提高聚类的准确度,以及避免了直接对指定范围进行聚类时,出现部分区域存在较少或者没有子区域的结果,导致聚类失效的问题。
可选的,每个目标数据集包括多个历史事件发生位置,一个历史事件发生位置对应一个数据点;结合图3,如图5所示,对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域的过程可以包括S220-S222。
具体的,针对每个目标数据集,均执行S220-S222,以确定每个目标数据集对应的至少一个子区域。
S220、确定装置确定第一目标参数。
其中,第一目标参数用于指示目标数据集的目标密度阈值;目标密度阈值与目标数据集的所有密度阈值中,最小的密度阈值之间的差值不大于第二预设阈值。
需要说明的是,第二预设阈值可以根据实际需求进行设置,本申请实施例不作限定。
具体的,S220可以实现为:确定装置分别计算目标数据集中每个数据点的邻域半径和与该邻域半径对应的数据点的数量,然后根据邻域半径和与该邻域半径对应的数据点的数量,确定目标数据集中每个数据点对应的密度阈值,然后选取多个密度阈值中满足预设条件的密度阈值作为目标密度阈值。
示例性的,在实际实现时,将目标数据集中每个数据点对应的密度阈值采用图形结合的方式进行展示(该图形例如可以为凹形曲线),首先选取凹形曲线中拐点位置处(也就是凹形曲线的最低点)的密度阈值,判断拐点处的密度阈值所对应的邻域半径是否在预设范围内,如果是,则将该拐点处的密度阈值作为目标密度阈值,即作为第一目标参数;如果否,则重新选取密度阈值,例如选取的密度阈值为大于拐点,且接近拐点处的密度阈值;然后继续判断重新选取的密度阈值所对应的邻域半径是否在预设范围内,以此类推,直到选取的密度阈值所对应的邻域半径在预设范围内,则将该密度阈值作为目标密度阈值,即作为第一目标参数。
S221、确定装置根据第一目标参数,确定第二目标参数。
其中,第二目标参数包括目标邻域半径和目标数量;目标邻域半径用于指示满足预设范围的邻域半径,目标数量用于指示与目标邻域半径对应的数据点的数量。
具体的,S221可以实现为:将目标密度阈值所对应的目标邻域半径和目标数量确定为第二目标参数。
示例性的,结合上述实施例,若目标密度阈值为拐点位置处的密度阈值,则第二目标参数包括拐点位置处的密度阈值所对应的邻域半径和与该邻域半径对应的数据点的数量。
S222、确定装置根据第二目标参数,确定目标数据集对应的至少一个子区域。
具体的,第二目标参数包括目标邻域半径和目标数量,将该目标邻域半径和目标数量输入Dbscan聚类算法中进行聚类处理,以得到目标数据集所所对应的至少一个子区域。可以理解的是,每个目标数据集均对应一个第二目标参数,因此可以依次选取不同目标数据集所对应的第二目标参数,从而可以分别得到不同目标数据集对应的至少一个子区域。
需要说明的是,Dbscan聚类算法是基于密度的聚类算法中的典型代表,本申请实施例中采用Dbscan聚类算法进行聚类处理,可以有效识别噪声并自动将密度足够大的点的区域(即目标数据集)划分为子区域,实现任意形状的目标数据集的聚类。
本领域技术人员应该理解到,在Dbscan聚类算法中,Eps为定义密度时的邻域半径,MinPts为邻域半径中数据对象的数目阈值。
综上所述,在本申请实施例中,通过采用Dbscan聚类算法对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域,由于Dbscan聚类算法对Eps和MinPts十分敏感,取值不当会导致聚类效果变差甚至不正确,基于此,本申请在Dbscan聚类算法的基础上,引入密度阈值的概念,利用目标数据集自身的分布特性,对于每个目标数据集而言,通过确定出第一目标参数,即确定出目标密度阈值,然后结合实际应用场景选择与目标密度阈值对应的目标邻域半径和目标数量作为第二目标参数,最后基于第二目标参数进行聚类处理,聚类的全部过程无需人为干预,提高了聚类效率。
可选的,结合图5,如图6所示,确定第一目标参数的过程可以包括S2201-S2203。
S2201、确定装置确定第二参数列表。
其中,第二参数列表包括目标数据集对应的M个邻域半径和M个与邻域半径对应的数据点的数量,M为大于1的正整数。
一种可能的设计中,第二参数列表可以表示为K-Eps-MinPts列表。其中,1≤K≤M且K为正整数;Eps表示邻域半径,MinPts与邻域半径对应的数据点的数量。
示例性的,第二参数列表可以如表2所示。可以理解的是,表2所述的第二参数列表仅仅为本申请实施例的一种举例说明,并不构成对本申请的限制。
表2
需要说明的是,Eps(1)表示目标数据集的第1个邻域半径,即K=1时的邻域半径,MinPts(1)表示与第1个邻域半径所对应的数据点的数量;相应地,Eps(2)表示目标数据集的第2个邻域半径,即K=2时的邻域半径,MinPts(2)表示与第2个邻域半径所对应的数据点的数量;以此类推可知,Eps(M)表示目标数据集的第M个邻域半径,即K=M时的邻域半径,MinPts(M)表示与第M个邻域半径所对应的数据点的数量。
S2202、确定装置根据第二参数列表,确定第一参数列表。
其中,第一参数列表包括目标数据集对应的M个密度阈值。
具体的,S2202可以实现为:基于第二参数列表中每个数据点对应的Eps值和MinPts值,计算出每个数据点的密度阈值,以得到密度阈值列表,即确定出第一参数列表。
示例性的,密度阈值Density满足如下公式:
其中,Eps为邻域半径,MinPts为与邻域半径对应的数据点的数量,Density为密度阈值,π为圆周率。
基于此,可结合第二参数列表以及上述密度阈值的公式,可以计算出密度阈值列表。
示例性的,第一参数列表可以如表3所示。可以理解的是,表3所述的第一参数列表仅仅为本申请实施例的一种举例说明,并不构成对本申请的限制。
表3
K | 密度阈值(Density) |
K=1 | Density(1) |
K=2 | Density(2) |
K=3 | Density(3) |
…… | …… |
K=M | Density(M) |
需要说明的是,Density(1)表示由第1个邻域半径和与第1个邻域半径对应的数据点的数量所确定出的密度阈值;相应地,Density(2)表示由第2个邻域半径和与第2个邻域半径对应的数据点的数量所确定出的密度阈值;以此类推可知,Density(M)表示由第M个邻域半径和与第M个邻域半径对应的数据点的数量所确定出的密度阈值。
S2203、确定装置从第一参数列表中选取目标密度阈值作为第一目标参数。
可以理解的是,目标密度阈值与目标数据集的所有密度阈值中,最小的密度阈值之间的差值不大于第二预设阈值。
需要说明的是,密度阈值过大,可能导致同一个子区域内部被划分为多个集合;密度阈值过小,会导致不同子区域之间被合并,因此确定合适的密度阈值十分关键。
另外,不同的密度阈值进行Dbscan聚类算法的聚类实验时,存在以下规律:
1)、随着密度阈值的递减,聚类结果的数目通常会发生收敛,并在一定密度阈值区域保持稳定。
2)、在聚类结果数目正确的前提下,密度阈值越小,则噪声率越低。
基于此,可以采用下述实施例所述的方式确定出目标密度阈值。
示例性的,在实际实现时,将第一参数列表中的每个密度阈值采用图形结合的方式进行展示,该图形例如可以为凹形曲线。在此基础上,先选取拐点处(也就是凹形曲线的最低点)的密度阈值,即最小的密度阈值,判断该密度阈值所对应的邻域半径是否在预设范围内,如果是,则该密度阈值为目标密度阈值,即作为第一目标参数;如果否,则选取大于拐点,且接近拐点处的密度阈值,然后继续判断重新选取的密度阈值所对应的邻域半径是否在预设范围内,以此类推,直到选取的密度阈值所对应的邻域半径在预设范围内,则该密度阈值为目标密度阈值,即确定出了第一目标参数。
综上所述,本申请实施例中,通过确定出目标数据集的M个邻域半径和M个与邻域半径对应的数据点的数量,计算出M个密度阈值,即确定出第一参数列表,然后从第一参数列表中选取最优的密度阈值作为第一目标参数,有利于进一步提高聚类结果的准确度。
可选的,结合图6,如图7所示,确定第二参数列表的过程可以包括S2201a。
S2201a、确定装置执行M次第一操作,以确定第二参数列表;第一操作包括:确定目标数据集中,每个数据点与其第K个最近邻数据点之间的距离;基于所有距离的平均值,确定目标数据集的第K个邻域半径;获取目标数据集中,每个数据点在第K个邻域半径范围内的相邻数据点的数量;基于所有数量的平均值,确定与第K个邻域半径对应的数据点的数量。
其中,每次执行第一操作时对应的K值不同,K∈[1,M]。
示例性的,取M=1000,相应地,K∈[1,M],这样,确定装置就会执行1000次第一操作,以确定出1000个邻域半径和1000个与邻域半径对应的数据点的数量,从而得到第二参数列表。可以理解的是,每次执行第一操作时K的数值不同。
为了便于理解每一次执行的第一操作,下面以执行第一操作时,K=3为例进行说明。
当K=3时,确定装置确定目标数据集中,每个数据点与其第3个最近邻数据点之间的距离;基于所有距离的平均值,确定目标数据集的第3个邻域半径;然后确定装置获取目标数据集中,每个数据点在第3个邻域半径范围内的相邻数据点的数量;基于所有数量的平均值,确定与第3个邻域半径对应的数据点的数量。
在此基础上,以目标数据集包括a、b、c、d四个数据点,且K=3为例,对执行第一操作的具体过程进行详细描述。
示例性的,确定装置分别确定数据点a与第3个最近邻数据点之间的距离L1,数据点b与第3个最近邻数据点之间的距离L2,数据点c与第3个最近邻数据点之间的距离L3,数据点d与第3个最近邻数据点之间的距离L4,然后计算L1、L2、L3和L4的平均值,将该平均值作为目标数据集的第3个邻域半径,即K=3时的Eps值。
在此基础上,以数据点a为圆心,K=3时的Eps值为半径,得到数据点a在第3个邻域半径范围内的数据点的数量Q1;以数据点b为圆心,K=3时的Eps值为半径,得到数据点b在第3个邻域半径范围内的数据点的数量Q2;以数据点c为圆心,K=3时的Eps值为半径,得到数据点c在第3个邻域半径范围内的数据点的数量Q3;以数据点d为圆心,K=3时的Eps值为半径,得到数据点d在第3个邻域半径范围内的数据点的数量Q4;然后计算Q1、Q2、Q3和Q4的平均值,将该平均值作为与第3个邻域半径对应的数据点的数量,即K=3时的MinPts值。
结合上述实施例,可以将第二参数列表中满足预设范围的参数确定为第二目标参数。
需要说明的是,可以结合实际应用场景,将预设范围设置为工作人员处理事件时可接受的巡逻范围。
例如,预设范围可以为500m~1000m。
综上所述,本申请实施例中,对于每个目标数据集而言,通过执行M次第一操作,以确定出每个目标数据集的第二参数列表,有利于减少设备功耗。另外,通过将目标数据集中每个数据点与第K个最近邻数据点之间的所有距离的平均值作为目标数据集的第K个邻域半径,并将目标数据集中每个数据点在第K个邻域半径范围内的相邻数据点的所有数量的平均值作为与第K个邻域半径对应的数据点的数量,有利于提高确定出的第二参数列表的准确度。
可选的,结合图5,如图8所示,根据第二目标参数,确定每个目标数据集对应的至少一个子区域的过程可以包括S2220-S2221。
S2220、根据第二目标参数,将目标数据集划分为至少一个待处理区域。
具体的,S2220可以实现为:将第二目标参数包括的目标邻域半径和目标数量输入Dbscan聚类算法,分别得到每个目标数据集对应的至少一个待处理区域。
需要说明的是,对于Dbscan聚类算法的举例说明可以参考上述实施例,此处不再一一赘述。
对于每个待处理区域而言,执行S2221:
S2221、确定装置确定待处理区域的面积。
示例性的,可以先确定出待处理区域的边界位置,计算所有边界位置构成的区域的面积,从而得到待处理区域的面积。
若待处理区域的面积小于或等于第一预设阈值,则将待处理区域确定为子区域;若待处理区域的面积大于第一预设阈值,则重新确定待处理区域的第二目标参数,直到不存在待处理区域的面积大于第一预设阈值的情况。
具体的,本申请实施例中,在确定装置执行完S2221之后,确定装置判断待处理区域的面积与第一预设阈值之间的关系。若待处理区域的面积小于或等于第一预设阈值,则将该待处理区域确定为子区域,即聚类算法终止;若待处理区域的面积大于第一预设阈值,则重新执行S220-S222,直到待处理区域的面积不大于第一预设阈值后,说明聚类达到了预期的效果,终止聚类算法。
综上所述,本申请实施例中,通过判断待处理区域的面积与第一预设阈值之间的关系,使得最终确定出的每个目标数据集对应的至少一个子区域的面积均不大于第一预设阈值,从而避免了当子区域的面积过大时,不利于工作人员开展治理工作的问题。
可选的,结合图8,如图9所示,确定子区域的面积的过程可以包括S2221a-S2221d。
S2221a、确定装置获取待处理区域的所有位置。
具体的,结合上述实施例,由于待处理区域包括多个数据点,一个数据点与一个历史事件发生位置对应,因此可以根据待处理区域中的每个数据点(即每个历史事件发生位置)获取待处理区域的所有位置。
S2221b、确定装置确定当前边界位置,以及与当前边界位置对应的初始向量。
示例性的,在确定装置第一次执行S2221b时,确定装置确定的当前边界位置可以称为初始位置,因此可以根据初始位置确定对应的初始向量。
例如,可以将所有位置中,纬度最高的位置作为初始位置。
图10a为本申请实施例提供的所有位置在二维坐标系中的排布,在图10a所示的坐标系中,初始位置可以为横坐标最高的位置,或者为纵坐标最高的位置。图10a以初始位置为纵坐标最高的位置为例进行示意。
S2221c、确定装置获取当前边界位置与其余位置之间的所有向量;将所有向量中与初始向量之间的夹角最小的向量确定为初始向量,并将重新确定的初始向量中,与当前边界位置连接的位置确定为边界位置。
S2221d、确定装置重新获取当前边界位置,执行第二操作,以确定出待处理区域的所有边界位置,所有边界位置构成的区域的面积为待处理区域的面积。
其中,重新获取的当前边界位置为上一次执行第二操作时,确定出的边界位置。
需要说明的是,第二操作为上述S2221c。
以图10a-图10c所示的待处理区域包括的所有位置之间的关系为例,以下对确定装置确定待处理区域的边界位置的具体过程进行描述。
示例性的,图10a-图10c中的每个点代表子区域内的一个位置;以点a为初始位置,平行于X轴的方向为初始向量为例,确定装置获取点a与其余位置之间的所有向量,寻找与初始向量的夹角最小的向量。
参考图10a所示,示例性的,在所有向量中,点b与初始位置(点a)形成的向量与初始向量的夹角最小,因此将点b作为初始位置,点b与点a形成的向量(向量ab)作为初始向量,执行S2221c。
参考图10b所示,示例性的,点b与其余位置之间的所有向量中,点c与初始位置(点b)形成的向量与初始向量(向量ab)的夹角最小,因此将点c作为初始位置,点c与点b形成的向量(向量bc)作为初始向量,执行S2221c。
参考图10c所示,示例性的,点c与其余位置之间的所有向量中,点d与初始位置(点c)形成的向量与初始向量(向量bc)的夹角最小,因此将点d作为初始位置,点c与点d形成的向量(向量cd)作为初始向量,执行S2221c,直到将子区域内的所有边界位置都确定出来。
在此基础上,将待处理区域的所有的边界位置确定出来后,将所有边界位置连接起来(如图10c所示),所有边界位置所构成的区域的面积即为待处理区域的面积。
需要说明的是,本申请实施例中,计算所有边界位置的所构成的待处理区域的面积的具体实现过程可以参考相关技术,此处不再赘述。
综上所述,本申请实施例中,首先确定出每个待处理区域的边界位置,然后将每个待处理区域的边界位置所构成的区域的面积作为待处理区域的面积,从而能够提高确定出的待处理区域的面积的准确度,并减少设备功耗。
上述主要从设备之间交互的角度对本发明实施例提供的方案进行了介绍。可以理解的是,目标区域的确定装置等为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对确定装置等进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,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。
在采用对应各个功能划分各个功能模块的情况下,图11为本申请实施例提供的一种确定装置300,用于实现上述方法中的功能。该确定装置300可以包括获取模块301、处理模块302和确定模块303。
具体的,获取模块301用于获取指定范围对应的多个历史事件发生位置。例如,结合图3所示,获取模块301可以用于执行S20。
处理模块302,用于将多个历史事件发生位置划分为N个目标数据集;每个数据集对应指定范围内的一个区域;其中,N≥1。例如,结合图3所示,处理模块302可以用于执行S21。
处理模块302还用于,对每个目标数据集进行聚类处理,确定每个目标数据集对应的至少一个子区域;子区域的面积不大于第一预设阈值,不同子区域的事件密度不同。例如,结合图3所示,处理模块302可以用于执行S22。
确定模块303,用于将至少一个子区域分别确定为目标区域。例如,结合图3所示,确定模块303可以用于执行S23。
可选的,处理模块302具体用于,从多个历史事件发生位置中选取N个第一位置;确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离;根据距离,确定N个待处理数据集;每个待处理数据集包括一个所述第一位置,以及与第一之间的距离小于或等于第一预设距离的历史事件发生位置;不同待处理数据集中的第一位置不同;确定每个待处理数据集的第二位置,第二位置与待处理数据集中的其它历史事件发生位置之间的距离小于或等于第二预设距离;针对每个待处理数据集,确定第一位置与所述第二位置之间的距离;若每一距离均小于或等于第三预设距离,则将N个待处理数据集作为N个目标数据集;若任一距离大于第三预设距离,则将第一位置更新为第二位置,重新确定多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,直到确定出N个目标数据集。例如,结合图4所示,处理模块302可以用于执行S210-S214。
可选的,每个目标数据集包括多个历史事件发生位置;一个历史事件发生位置对应一个数据点;处理模块302具体用于,针对每个目标数据集,执行下述处理:确定第一目标参数;第一目标参数用于指示目标数据集的目标密度阈值;目标密度阈值与目标数据集的所有密度阈值中,最小的密度阈值之间的差值不大于第二预设阈值;根据第一目标参数,确定第二目标参数;第二目标参数包括目标邻域半径和目标数量;目标邻域半径用于指示满足预设范围的邻域半径;目标数量用于指示与目标邻域半径对应的数据点的数量;根据第二目标参数,确定目标数据集对应的至少一个子区域。例如,结合图5所示,处理模块302可以用于执行S220-S222。
可选的,处理模块302具体用于,确定第二参数列表;第二参数列表包括目标数据集对应的M个邻域半径和M个与邻域半径对应的数据点的数量;根据第二参数列表,确定第一参数列表;第一参数列表包括目标数据集对应的M个密度阈值;从第一参数列表中选取目标密度阈值作为第一目标参数。例如,结合图6所示,处理模块可以用于执行S2201-S2203。
可选的,处理模块302具体用于,执行M次第一操作,以确定第二参数列表;其中,每次执行第一操作时对应的K值不同,K∈[1,M];第一操作包括:确定目标数据集中,每个数据点与其第K个最近邻数据点之间的距离;基于所有距离的平均值,确定目标数据集的第K个邻域半径;获取目标数据集中,每个数据点在第K个邻域半径范围内的相邻数据点的数量;基于所有数量的平均值,确定与第K个邻域半径对应的数据点的数量。例如,结合图7所示,处理模块可以用于执行S2201a。
可选的,处理模块302具体用于,根据第二目标参数,将目标数据集划分为至少一个待处理区域;对于每个待处理区域而言,执行下述处理:确定待处理区域的面积;若待处理区域的面积小于或等于第一预设阈值,则将待处理区域确定为子区域;若待处理区域的面积大于第一预设阈值,则重新确定待处理区域的第二目标参数,直到不存在待处理区域的面积大于第一预设阈值的情况。例如,结合图8所示,处理模块302可以用于执行S2220-S2221。
可选的,处理模块302具体用于,获取待处理区域的所有位置;确定当前边界位置,以及与当前边界位置对应的初始向量;执行第二操作:获取当前边界位置与其余位置之间的所有向量;将所有向量中与初始向量之间的夹角最小的向量确定为初始向量,并将重新确定的初始向量中,与当前边界位置连接的位置确定为边界位置;重新获取当前边界位置,执行所述第二操作,以确定出待处理区域的所有边界位置,所有边界位置构成的区域的面积为待处理区域的面积;重新获取的当前边界位置为上一次执行第二操作时,确定出的边界位置。例如,结合图9所示,处理模块302可以用于执行S2221a-S2221d。
如前述,本申请实施例提供的确定装置300可以用于实施上述本申请各实施例实现的方法中的功能,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请各实施例。
在实际实现时,获取模块301、处理模块302和确定模块303可以由图2所示的处理器101调用存储器102中的程序代码来实现,其具体的执行过程可参考图3-图9所示的目标区域的确定方法部分的描述,这里不再赘述。
本申请另一些实施例还提供一种计算机可读存储介质,该计算机可读存储介质可包括计算机程序,当该计算机程序在计算机上运行时,使得该计算机执行上述图3-图9所示实施例中各个步骤。
本申请另一些实施例还提供一种计算机程序产品,该计算机产品包含计算机程序,当该计算机程序产品在计算机上运行时,使得该计算机执行上述图3-图9所示实施例中各个步骤。
通过以上的实施方式的描述,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,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种目标区域的确定方法,其特征在于,包括:
获取指定范围对应的多个历史事件发生位置;
从所述多个历史事件发生位置中选取N个第一位置;其中,N≥1;
确定所述多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离;
根据所述距离,确定N个待处理数据集;每个待处理数据集包括一个所述第一位置,以及与所述第一位置之间的距离小于或等于第一预设距离的历史事件发生位置;不同待处理数据集中的第一位置不同;
确定每个所述待处理数据集的第二位置;所述第二位置与所述待处理数据集中的其它历史事件发生位置之间的距离小于或等于第二预设距离;
针对每个所述待处理数据集,确定所述第一位置与所述第二位置之间的距离;
若每一距离均小于或等于第三预设距离,则将所述N个待处理数据集作为N个目标数据集;每个目标数据集对应所述指定范围内的一个区域;
若任一距离大于所述第三预设距离,则将所述第一位置更新为所述第二位置,重新确定所述多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,直到确定出所述N个目标数据集;
对所述每个目标数据集进行聚类处理,确定所述每个目标数据集对应的至少一个子区域;所述子区域的面积不大于第一预设阈值,不同子区域的事件密度不同;
将所述至少一个子区域分别确定为目标区域。
2.根据权利要求1所述的确定方法,其特征在于,每个所述目标数据集包括多个历史事件发生位置;一个历史事件发生位置对应一个数据点;所述对所述每个目标数据集进行聚类处理,确定所述每个目标数据集对应的至少一个子区域,包括:
针对每个所述目标数据集,执行下述处理:
确定第一目标参数;所述第一目标参数用于指示目标数据集的目标密度阈值;所述目标密度阈值与所述目标数据集的所有密度阈值中,最小的密度阈值之间的差值不大于第二预设阈值;
根据所述第一目标参数,确定第二目标参数;所述第二目标参数包括目标邻域半径和目标数量;所述目标邻域半径用于指示满足预设范围的邻域半径;所述目标数量用于指示与所述目标邻域半径对应的数据点的数量;
根据所述第二目标参数,确定所述目标数据集对应的至少一个子区域。
3.根据权利要求2所述的确定方法,其特征在于,所述确定第一目标参数,包括:
确定第二参数列表;所述第二参数列表包括所述目标数据集对应的M个邻域半径和M个与所述邻域半径对应的数据点的数量;
根据所述第二参数列表,确定第一参数列表;所述第一参数列表包括所述目标数据集对应的M个密度阈值;其中,所述M为大于1的正整数;
从所述第一参数列表选取目标密度阈值作为第一目标参数。
4.根据权利要求3所述的确定方法,其特征在于,所述确定第二参数列表,包括:
执行M次第一操作,以确定所述第二参数列表;其中,每次执行第一操作时对应的K值不同,K∈[1,M];
所述第一操作包括:确定所述目标数据集中,每个数据点与其第K个最近邻数据点之间的距离;基于所有距离的平均值,确定所述目标数据集的第K个邻域半径;获取所述目标数据集中,每个数据点在所述第K个邻域半径范围内的相邻数据点的数量;基于所有数量的平均值,确定与所述第K个邻域半径对应的数据点的数量。
5.根据权利要求2所述的确定方法,其特征在于,所述根据所述第二目标参数,确定所述每个目标数据集对应的至少一个子区域,包括:
根据所述第二目标参数,将所述目标数据集划分为至少一个待处理区域;
对于每个待处理区域而言,执行下述处理:
确定所述待处理区域的面积;
若所述待处理区域的面积小于或等于第一预设阈值,则将所述待处理区域确定为所述子区域;
若所述待处理区域的面积大于所述第一预设阈值,则重新确定所述待处理区域的第二目标参数,直到不存在待处理区域的面积大于所述第一预设阈值的情况。
6.根据权利要求5所述的确定方法,其特征在于,所述确定所述待处理区域的面积,包括:
获取所述待处理区域的所有位置;
确定当前边界位置,以及与所述当前边界位置对应的初始向量;
执行第二操作:获取所述当前边界位置与其余位置之间的所有向量;将所述所有向量中与所述初始向量之间的夹角最小的向量确定为初始向量,并将重新确定的初始向量中,与所述当前边界位置连接的位置确定为边界位置;
重新获取当前边界位置,执行所述第二操作,以确定出所述待处理区域的所有边界位置,所述所有边界位置构成的区域的面积为所述待处理区域的面积;重新获取的当前边界位置为上一次执行所述第二操作时,确定出的边界位置。
7.一种目标区域的确定装置,其特征在于,包括:
获取模块,用于获取指定范围对应的多个历史事件发生位置;
处理模块,用于从所述多个历史事件发生位置中选取N个第一位置;其中,N≥1;确定所述多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离;根据所述距离,确定N个待处理数据集;每个待处理数据集包括一个所述第一位置,以及与所述第一位置之间的距离小于或等于第一预设距离的历史事件发生位置;不同待处理数据集中的第一位置不同;确定每个所述待处理数据集的第二位置;所述第二位置与所述待处理数据集中的其它历史事件发生位置之间的距离小于或等于第二预设距离;针对每个所述待处理数据集,确定所述第一位置与所述第二位置之间的距离;若每一距离均小于或等于第三预设距离,则将所述N个待处理数据集作为N个目标数据集;每个目标数据集对应所述指定范围内的一个区域;若任一距离大于所述第三预设距离,则将所述第一位置更新为所述第二位置,重新确定所述多个历史事件发生位置中的每个历史事件发生位置与每个第一位置之间的距离,直到确定出所述N个目标数据集;
所述处理模块还用于,对所述每个目标数据集进行聚类处理,确定所述每个目标数据集对应的至少一个子区域;所述子区域的面积不大于第一预设阈值,不同子区域的事件密度不同;
确定模块,用于将所述至少一个子区域分别确定为目标区域。
8.一种电子设备,其特征在于,包括:一个或多个处理器、和存储器;所述处理器和所述存储器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;
当所述处理器执行所述计算机指令时,以使所述电子设备执行如权利要求1-6任一项所述的目标区域的确定方法。
9.一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指令或程序,当计算机指令或程序在电子设备上运行时,使得所述电子设备执行如权利要求1-6任一项所述的目标区域的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110595297.0A CN113240037B (zh) | 2021-05-28 | 2021-05-28 | 目标区域的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110595297.0A CN113240037B (zh) | 2021-05-28 | 2021-05-28 | 目标区域的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240037A CN113240037A (zh) | 2021-08-10 |
CN113240037B true CN113240037B (zh) | 2024-03-08 |
Family
ID=77135738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110595297.0A Active CN113240037B (zh) | 2021-05-28 | 2021-05-28 | 目标区域的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240037B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115243536B (zh) * | 2022-09-22 | 2022-12-09 | 深圳鸿芯微纳技术有限公司 | 静电防护单元的位置确定方法、装置、设备及存储介质 |
CN117496438A (zh) * | 2023-11-13 | 2024-02-02 | 以萨技术股份有限公司 | 一种目标区域确定方法、电子设备及存储介质 |
CN117234171B (zh) * | 2023-11-16 | 2024-02-20 | 江苏永鼎股份有限公司 | 用于芯片生产的工艺参数控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983806A (zh) * | 2017-06-01 | 2018-12-11 | 菜鸟智能物流控股有限公司 | 区域检测、航线规划数据的生成方法和系统、飞行器 |
WO2018223952A1 (en) * | 2017-06-06 | 2018-12-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for region division |
CN110493333A (zh) * | 2019-08-15 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种目标位置点的确定方法、装置、设备及存储介质 |
-
2021
- 2021-05-28 CN CN202110595297.0A patent/CN113240037B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983806A (zh) * | 2017-06-01 | 2018-12-11 | 菜鸟智能物流控股有限公司 | 区域检测、航线规划数据的生成方法和系统、飞行器 |
WO2018223952A1 (en) * | 2017-06-06 | 2018-12-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for region division |
CN110493333A (zh) * | 2019-08-15 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种目标位置点的确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113240037A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240037B (zh) | 目标区域的确定方法、装置、设备及存储介质 | |
US20200118075A1 (en) | Method and apparatus for dividing delivery regions, electronic device, and computer-readable storage medium | |
CN109634801A (zh) | 数据趋势分析方法、系统、计算机装置及可读存储介质 | |
CN106874100B (zh) | 计算资源分配方法及装置 | |
CN107748691B (zh) | 虚拟机部署方法、装置、设备及计算机可读存储介质 | |
CN109962855A (zh) | 一种web服务器的限流方法、限流装置及终端设备 | |
CN111309440B (zh) | 一种多类型gpu的管理调度的方法和设备 | |
CN104166738A (zh) | 数据库查询处理的方法及装置 | |
CN105488134A (zh) | 大数据处理方法及大数据处理装置 | |
CN112181613A (zh) | 异构资源分布式计算平台批量任务调度方法及存储介质 | |
CN113961961A (zh) | 一种基于scalable-ot的隐私集合求交方法及装置 | |
CN104462447A (zh) | 访问超时的数据处理方法和装置 | |
CN117331678B (zh) | 面向异构算力联邦的多集群作业资源规格计算方法和系统 | |
CN108153584A (zh) | 一种用于确定目标网络设备需分配的线程数的方法与设备 | |
CN107273413B (zh) | 中间表的创建方法、查询方法及相关装置 | |
CN108289086B (zh) | 请求处理方法及装置、服务器 | |
CN110972060B (zh) | 一种在电力通信网面向终端接入的边缘控制中心部署方法 | |
US20140214826A1 (en) | Ranking method and system | |
CN107945186A (zh) | 分割图像的方法、装置、计算机可读存储介质和终端设备 | |
CN113722100B (zh) | 基于趋势预测的云平台内存资源动态超分配方法及设备 | |
CN112765495B (zh) | 获取目标位置的数据处理系统 | |
CN112491999B (zh) | 一种数据上报方法及装置 | |
CN112637880A (zh) | 问题小区处理方法以及装置 | |
CN107957942B (zh) | 一种sql脚本的故障修复方法及其终端 | |
CN109918366B (zh) | 一种基于大数据的数据安全处理方法 |
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 |