CN113392338A - 热点区域定位方法、装置、设备及存储介质 - Google Patents
热点区域定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113392338A CN113392338A CN202110654842.9A CN202110654842A CN113392338A CN 113392338 A CN113392338 A CN 113392338A CN 202110654842 A CN202110654842 A CN 202110654842A CN 113392338 A CN113392338 A CN 113392338A
- Authority
- CN
- China
- Prior art keywords
- target event
- area
- preset
- information
- clustering
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims description 35
- 230000002776 aggregation Effects 0.000 claims description 26
- 238000004220 aggregation Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 19
- 238000012800 visualization Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种热点区域定位方法、装置、设备及存储介质。首先获取历史时长内用于表征目标事件的属性特征的原始信息，然后根据预设聚类算法及原始信息对目标事件所处区域进行聚类处理，以得到目标事件的聚集区域，再于预设地图将聚集区域的地理位置进行可视化标识，得到目标事件的热点区域。基于预设聚类算法及历史时长内目标事件本身的原始信息进行聚类处理以对热点区域进行定位，无需依赖人工处理数据，不但省时省力，还与微网格的大小无关，能够根据原始信息本身聚焦热点区域，聚焦效果明显且准确度较高，以满足多维度数据的扩展需求及快速增长的数据量，实现热点区域的精准定位，进而为划小经营提供有力的支撑数据。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种热点区域定位方法、装置、设备及存储介质。
背景技术
在通信行业，运营商通常会采用网格化划小经营模式开展各自的业务，以尽最大可能的提升业务量以及为用户提供更优质的通信服务。因而，为了更好的支撑划小经营模式，则需要针对各划小区域的个性化需求，为其提供精准以及精细的支撑数据来满足业务的开展需求。
目前，为了获取适宜开展业务的目标区域中的热点区域，通常是首先对待开展业务的相应区域根据业务场景进行划分，然后将划分后得到的每个区域再划分为若干微网格，并将业务所涉及的各数据关联至相应的微网格中，最后对关联有数据的微网格进行分析统计以及地理化处理，以得到适宜开展相应业务的热点区域。
然而，现有技术中采用微网格确定热点区域的方式存在诸多缺陷，例如，在进行各类场景的划分以及微网格的划分时需要的前期工作量巨大，并且由于微网格对于相同属性的准确性要求极高，因而后期需要对微网格不断更新，从而需要依赖人工处理数据，费时费力。再者，微网格通常大小不一致，导致热点聚焦效果欠缺，进而造成所确定的热点区域准确度较低。因此，针对现如今数据维度的不断扩展和数据量的快速增长，现有采用微网格确定的热点区域已无法为划小经营提供有力的支撑数据。
发明内容
本申请提供一种热点区域定位方法、装置、设备及存储介质，用以解决现有采用微网格确定热点区域存在费时费力以及准确度较低等缺陷，导致所确定的热点区域无法为划小经营提供有力的支撑数据的技术问题。
第一方面，本申请提供一种热点区域定位方法，包括：
获取历史时长内目标事件的原始信息，所述原始信息用于表征所述目标事件的属性特征；
根据预设聚类算法以及所述原始信息对所述目标事件所处区域进行聚类处理，以得到所述目标事件的聚集区域；
于预设地图将所述聚集区域的地理位置进行可视化标识，以定位所述目标事件的热点区域。
在一种可能的设计中，所述获取历史时长内目标事件的原始信息，包括：
获取所述历史时长内已发生的所述目标事件多条内容信息，所述内容信息用于描述所述目标事件；
根据预设筛选原则对每条内容信息进行筛选，以将筛选后的所述内容信息确定为所述原始信息。
在一种可能的设计中，所述根据预设聚类算法以及所述原始信息对所述目标事件所处区域进行聚类处理，以得到所述目标事件的聚集区域，包括：
对所述目标事件的所述原始信息对应的地址信息进行解析，以得到所述地址信息对应的经纬度数据；
根据预设密度聚类算法以及各经纬度数据对所述目标事件所处区域进行所述聚类处理，以根据所述聚类处理后得到的各聚类簇包含的经纬度数据确定所述目标事件的所述聚集区域；
其中，所述预设聚类算法包括所述预设密度聚类算法。
在一种可能的设计中，所述根据预设密度聚类算法以及各经纬度数据对所述目标事件所处区域进行聚类处理，包括：
将每个经纬度数据确定为进行所述聚类处理的数据集合的子集，并根据所述各经纬度数据确定邻域半径和预设密度阈值；
根据所述预设密度聚类算法、所述邻域半径及所述预设密度阈值对所述数据集合进行分类迭代，以得到对应的每个类别；
直到当所述数据集合中的每个子集都得到对应的类别，结束所述分类迭代，以将得到的每个类别确定为对应的所述聚类簇。
在一种可能的设计中，所述于预设地图将所述聚集区域的地理位置进行可视化标识，以定位所述目标事件的热点区域，包括：
于所述预设地图上利用预设应用程序接口将所述聚集区域所对应的经纬度数据进行可视化标识，以将所述聚集区域进行可视化呈现；
将可视化呈现后的所述聚集区域确定为所述目标事件的所述热点区域。
在一种可能的设计中，当所述目标事件包括针对网络覆盖差的用户投诉事件，在所述定位所述目标事件的热点区域之后，还包括：
获取所述热点区域的网络覆盖信息；
根据所述网络覆盖信息对所述热点区域进行网络覆盖质量评估，以生成第一评估报告；
根据所述第一评估报告规划基站建设，以减少所述用户投诉事件的发生。
在一种可能的设计中，当所述目标事件包括预设业务事件，在所述定位所述目标事件的热点区域之后，还包括：
获取所述热点区域内所述预设业务事件的用户特征信息，所述用户特征信息包括用户套餐信息和所述用户套餐信息对应的用户ARPU值；
根据所述用户套餐信息和所述用户ARPU值对所述热点区域进行用户特征评估，以生成第二评估报告；
根据所述第二评估报告生成推送信息，以将所述推送信息定向推送至所述用户特征信息对应的每个用户。
第二方面，本申请提供一种热点区域定位装置，包括：
获取模块，用于获取历史时长内目标事件的原始信息，所述原始信息用于表征所述目标事件的属性特征；
处理模块，用于根据预设聚类算法以及所述原始信息对所述目标事件所处区域进行聚类处理，以得到所述目标事件的聚集区域；
可视化模块，用于于预设地图将所述聚集区域的地理位置进行标识，以定位所述目标事件的热点区域。
在一种可能的设计中，所述获取模块，具体用于：
获取所述历史时长内已发生的所述目标事件多条内容信息，所述内容信息用于描述所述目标事件；
根据预设筛选原则对每条内容信息进行筛选，以将筛选后的所述内容信息确定为所述原始信息。
在一种可能的设计中，所述处理模块，包括：
第一处理子模块，用于对所述目标事件的所述原始信息对应的地址信息进行解析，以得到所述地址信息对应的经纬度数据；
第二处理子模块，用于根据预设密度聚类算法以及各经纬度数据对所述目标事件所处区域进行所述聚类处理，以根据所述聚类处理后得到的各聚类簇包含的经纬度数据确定所述目标事件的所述聚集区域；
其中，所述预设聚类算法包括所述预设密度聚类算法。
在一种可能的设计中，所述第二处理子模块，具体用于：
将每个经纬度数据确定为进行所述聚类处理的数据集合的子集，并根据所述各经纬度数据确定邻域半径和预设密度阈值；
根据所述预设密度聚类算法、所述邻域半径及所述预设密度阈值对所述数据集合进行分类迭代，以得到对应的每个类别；
直到当所述数据集合中的每个子集都得到对应的类别，结束所述分类迭代，以将得到的每个类别确定为对应的所述聚类簇。
在一种可能的设计中，所述可视化模块，具体用于：
于所述预设地图上利用预设应用程序接口将所述聚集区域所对应的经纬度数据进行可视化标识，以将所述聚集区域进行可视化呈现；
将可视化呈现后的所述聚集区域确定为所述目标事件的所述热点区域。
在一种可能的设计中，当所述目标事件包括针对网络覆盖差的用户投诉事件，所述热点区域定位装置，还包括：第三处理子模块；所述第三处理子模块，用于：
获取所述热点区域的网络覆盖信息；
根据所述网络覆盖信息对所述热点区域进行网络覆盖质量评估，以生成第一评估报告；
根据所述第一评估报告规划基站建设，以减少所述用户投诉事件的发生。
在一种可能的设计中，当所述目标事件包括预设业务事件，所述热点区域定位装置，还包括：第四处理子模块；所述第四处理子模块，用于：
获取所述热点区域内所述预设业务事件的用户特征信息，所述用户特征信息包括用户套餐信息和所述用户套餐信息对应的用户ARPU值；
根据所述用户套餐信息和所述用户ARPU值对所述热点区域进行用户特征评估，以生成第二评估报告；
根据所述第二评估报告生成推送信息，以将所述推送信息定向推送至所述用户特征信息对应的每个用户。
第三方面，本申请提供一种电子设备，包括：
处理器；以及，
存储器，用于存储所述处理器的计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行第一方面所提供的任意一种可能的热点区域定位方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于执行第一方面所提供的任意一种可能的热点区域定位方法。
第五方面，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所提供的任意一种可能的热点区域定位方法。
本申请提供一种热点区域定位方法、装置、设备及存储介质。首先获取历史时长内目标事件的原始信息，原始信息用于表征目标事件的属性特征，然后根据预设聚类算法以及原始信息对目标事件所处区域进行聚类处理，以得到目标事件的聚集区域，再于预设地图将聚集区域的地理位置进行可视化标识，以得到针对目标事件的热点区域。基于历史时长内目标事件本身的原始信息使用预设聚类算法对区域进行聚类处理以对热点区域实现定位，无需依赖人工处理数据，不但省时省力，定位热点区域的过程还与微网格的大小无关，能够根据原始信息本身聚焦热点区域，聚焦效果明显且准确度较高，能够满足现如今多维度数据的扩展需求以及数据量的快速增长，实现热点区域的精准定位，进而为划小经营提供有力的支撑数据。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用场景示意图；
图2为本申请实施例提供的一种热点区域定位方法的流程示意图；
图3为本申请实施例提供的另一种热点区域定位方法的流程示意图；
图4为本申请实施例提供的再一种热点区域定位方法的流程示意图；
图5为本申请实施例提供的一种聚类过程示意图；
图6为本申请实施例提供的一种热点区域的可视化示意图；
图7为本申请实施例提供的又一种热点区域定位方法的流程示意图；
图8为本申请实施例提供的一种热点区域定位装置的结构示意图；
图9为本申请实施例提供的一种处理模块的结构示意图；
图10为本申请提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法和装置的例子。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现如今，运营商通常会采用网格化划小经营模式开展各自业务，以尽最大可能的提升业务量以及为用户提供更优质的通信服务。因此，需要针对各划小区域的个性化需求为划小经营模式提供精准以及精细的支撑数据。目前，对于开展业务所需的目标区域中的热点区域的聚焦方式都是依赖于微网格进行。通常首先对目标区域根据业务场景进行划分，然后将划分后的每个区域再划分为若干微网格，再将业务所涉及的各数据关联至相应微网格中，最后对关联有数据的微网格进行分析统计以及地理化处理，进而得到开展业务所需的热点区域。但是，现有技术这种采用微网格确定热点区域的方式存在诸多缺陷。例如，进行各类场景的划分以及微网格的划分需要巨大的前期工作，并且由于微网格对于相同属性的准确性要求极高，因而在后期需要不断对微网格进行更新，从而导致依赖人工处理数据，费时费力，时效性无法满足业务的开展需求。再者，微网格通常大小不一，导致热点聚焦效果欠缺，造成对于热点区域的定位准确度较低。因此，针对现如今不断扩展的数据维度以及快速增长的数据量，采用微网格确定热点区域的方式已无法为划小经营提供有力的支撑数据。
针对现有技术中存在的上述问题，本申请提供了一种热点区域定位方法、装置、设备及存储介质。本申请提供的热点区域定位方法的发明构思在于：基于目标事件本身用于表征其属性特征的原始信息，利用预设聚类算法对目标事件所处区域进行聚类处理，得到目标事件的聚集区域进而实现热点区域定位，无需依赖人工处理数据进行场景和微网格的划分，不但省时省力，并且热点区域的定位过程还与微网格的大小无关，即使原始信息表征的目标事件发生于离散地址也能够实现热点区域聚焦，聚焦效果明显且准确度较高，该热点区域的定位方法能够满足多维度数据的扩展需求以及快速增长的数据量，实现热点区域的精准定位，所定位的热点区域为划小经营提供有力的数据支撑。
以下，对本申请实施例的示例性应用场景进行介绍。
图1为本申请实施例提供的一种应用场景示意图，如图1所示，网络可以为基站11和终端设备12之间提供通信链路的介质，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备12和基站11之间进行信息交互，以进行运营商开展的各种业务。本申请实施例提供的热点区域定位方法由本申请实施例提供的热点区域定位装置执行，本申请实施例提供的热点区域定位装置可以配置于终端设备13，终端设备13通过网络可以与为终端设备12提供网络管理服务的网管中心14进行信息交互，以获取终端设备12在实现运营商所开展的各业务时产生的原始信息，执行本申请实施例提供的热点区域定位方法，实现对热点区域的精准定位，以为终端设备12各种业务的开展提供有力的数据支撑。
其中，可以理解的是，终端设备12的数量可以为多个(图1中以数量为一个为例示出)，本申请提供的热点区域定位方法旨在运营商为例如终端设备12的各种终端设备提供相应业务服务时进行热点区域的定位，通过对热点区域定位以为划小经营模式的各种业务的开展以及为用户提供更优质的业务服务提供有力的数据支撑。
另外，终端设备12可以为智能手机、智能手表以及其他智能穿戴设备等支持运营商提供的各种通信业务的任意终端，本实施例对于终端设备12的类型、数量以及运营商的通信业务的类型不作限定，图1中的终端设备12以智能手机为例示出。而终端设备13可以为计算机、服务器或者服务器集群，对此，本实施例不作限定，图1中的终端设备13以计算机为例示出。网管中心14配置有相应能够实现网络监管的设备，网管中心14可以与基站11、终端设备12和终端设备13通过网络进行信息交互，以实现网络运行中的监管工作。
需要说明的是，上述应用场景仅仅是示意性的，本申请实施例提供的热点区域定位方法、装置、设备及存储介质包括但不仅限于上述应用场景。
图2为本申请实施例提供的一种热点区域定位方法的流程示意图。如图2所示，本实施例提供的热点区域定位方法，包括：
S101：获取历史时长内目标事件的原始信息。
其中，原始信息用于表征目标事件的属性特征。
目标事件是指用户在运营商需要定位热点区域的目标区域内，进行运营商提供的相应业务时所产生的与业务相关的各种事件。运营商通过对目标事件的原始信息的分析，可以为其提升相应的业务质量提供有利的数据参考。
例如，目标事件可以为用户投诉事件，运营商通过获取对用户投诉事件的原始信息进行分析，则可以得到造成用户投诉事件发生的原因等相关数据，进而则可以以相关数据作为参考制定改进方案等等，以减少用户投诉事件的发生，进而提升业务服务质量。
原始信息用于表征目标事件的属性特征，可以理解为，用来表征目标事件的任意信息都可以为目标事件的原始信息，原始信息的具体内容可以根据目标事件的不同而不同，对此，本实施例不作限定。
获取历史时长内目标事件的原始信息，即为获取过去的一段时长需要进行热点区域定位的该区域内所发生的目标事件的原始信息，过去的一段时长即为历史时长，该历史时长所对应的具体时长可以根据实际工况设置，对此，本实施例不作限定。例如，获取2017年1月至2019年12月之间发生在需要进行热点区域的该区域内的用户投诉事件的原始信息。
在一种可能的设计中，本步骤S101可能的实现方式如图3所示，图3为本申请实施例提供的另一种热点区域定位方法的流程示意图。如图3所示，本实施例包括：
S1011：获取历史时长内已发生的目标事件多条内容信息。
其中，内容信息用于描述目标事件。
获取过去的历史时长内已经发生的用来描述一目标事件的多条内容信息，例如获取过去的历史时长内已经发生的用来描述用户投诉事件的多条内容信息，又或是获取过去的历史时长内已经发生的用来描述预设业务事件的多条内容信息，预设业务事件可以为运营商的2I订单事件等等。其中，为了在后续进行聚类处理时的数据的丰富度，通常会获取针对一目标事件的多条内容信息。
需要说明的是，运营商在使用本申请实施例提供的热点区域定位方法定位热点区域时，首先会确定在所定位的热点区域即将要开展的业务，因而运营商首先会确定需要获取的目标事件的具体内容。并且，需要进行热点区域的目标区域也为已知状态，即运营商是在目标区域上确定针对目标事件的热点区域。
S1012：根据预设筛选原则对每条内容信息进行筛选，以将筛选后的内容信息确定为原始信息。
在得到用于描述目标事件的多条内容信息之后，对每条内容信息根据预设筛选原则进行筛选，以剔除可能会造成解析结果不完整的内容信息，以保障数据的完整性，进而将筛选后的内容信息确定为目标时间的原始信息。
其中，对内容信息进行筛选的目的为剔除数据不完成的内容信息，因而，筛选所采用的预设筛选规则可以根据内容信息的具体表现形式设置相应的规则，以剔除数据不完整的内容信息，达到数据清洗目的。对于预设筛选规则的具体内容，本实施例不作限定。
本申请实施例是对获取历史时长内目标时间的原始信息可能的实现方式进行介绍，首先获取历史时长内已经发生的用于描述一目标事件的多条内容信息，然后根据预设筛选原则对每条内容信息进行筛选，以剔除不完整的内容信息，达到对所获取到的数据清洗的目的，继而将筛选后的未被剔除的内容信息确定为原始信息。本实施例通过获取历史时长内已发生的目标事件的多条内容信息，并对这些内容信息根据预设筛选规则进行筛选，以目标事件本身出发为后续聚类处理所需的数据提供完整且有力的数据依据，有利于提高所定位的目标事件的热点区域的准确度。
S102：根据预设聚类算法以及原始信息对目标事件所处区域进行聚类处理，以得到目标事件的聚集区域。
在获取到表征目标事件的属性特征的原始信息之后，进一步基于原始信息利用预设聚类算法对发生目标事件的区域进行聚类处理，以得到发生目标事件的聚集区域。
发生目标事件的区域，即目标事件所处区域，通常处于离散状态，因而，需要可以利用预设聚类算法对各离散的目标事件所处区域进行聚类处理，以得到目标事件的聚集区域。
例如，可以解析目标事件的原始信息对应的地址信息，对地址信息进行解析得到对应的经纬度数据，对各经纬度数据利用预设聚类算法进行聚类处理，得到各聚类簇，将各聚类簇确定为聚集区域。
在一种可能的设计中，步骤S102可能的实现方式如图4所示。图4为本申请实施例提供的再一种热点区域定位方法的流程示意图。如图4所示，本实施例包括：
S1021：对目标事件的原始信息对应的地址信息进行解析，以得到地址信息对应的经纬度数据。
对于目标事件而言，任何一目标事件都对应有其发生地的具体地理位置，因而，可以首先对目标事件的每条原始信息所对应的地址信息进行解析，以得到表征目标事件发生地的地理位置的经纬度数据。
S1022：根据预设密度聚类算法以及各经纬度数据对目标事件所处区域进行聚类处理，以根据聚类处理后得到的各聚类簇包含的经纬度数据确定目标事件的聚集区域。
其中，预设聚类算法包括预设密度聚类算法。
在得到目标事件发生地的经纬度数据之后，对各经纬度数据利用预设密度聚类算法进行聚类处理，以实现对离散的目标事件所处区域进行聚类分析。在通过聚类处理后，则会将同属于相同类别的经纬度数据归为一类别，以形成聚类簇，进而则可以根据所形成的各聚类簇包含的经纬度数据得到目标事件的聚集区域。
预设聚类算法可以包括划分法(Partitioning Methods)、层次法(HierarchicalMethods)、基于密度的方法(density-based methods)、基于网格的方法(grid-basedmethods)、基于模型的方法(Model-Based Methods)等等。其中，基于密度的方法不同于其他的预设聚类算法，该聚类方法可以克服基于距离等算法仅能发现“类圆形”聚类区域的缺点，因而，本申请实施例所采用的预设聚类算法可以包括基于密度的方法，即预设密度聚类(DBSCAN)算法，以利用预设密度聚类算法将紧密程度满足相应阈值的样本数据归为一类，以得到该类的聚类簇。
图5为本申请实施例提供的一种聚类过程示意图。如图5所示，各圆点(包括黑色实心的点和黑色镂空的点)均为样本数据，当预设密度阈值即邻域最小点数(MinPts)设置为5时，黑色实心的点都是核心对象，因为其∈(邻域)至少有5个样本。黑色空心的点即为非核心对象。所有核心对象密度直达的样本数据在以核心对象为中心的超球体内，如果不在超球体内，则不能密度直达。图中用箭头连起来的核心对象组成了密度可达的样本序列。在这些密度可达的样本序列的∈-邻域内，所有的样本相互都是密度相连的。因而，对于预设密度聚类算法而言，其是基于一组邻域来描述样本集的紧密程度，参数(∈，MinPts)用来描述邻域的样本分布紧密程度。其中，∈描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为∈的邻域中样本个数的阈值。从而可以通过预设密度聚类算法对样本数据实现聚类处理，得到聚类处理后的各聚类簇，进而则可以根据各聚类簇包含的经纬度数据确定目标事件的聚集区域。
S103：于预设地图将聚集区域的地理位置进行可视化标识，以定位目标事件的热点区域。
为了对得到的目标事件的聚集区域进行可视化呈现，则可以于预设地图将所得到的聚集区域的地理位置进行可视化标识，以在预设地图上进行可视化呈现，所呈现出的聚集区域即为热点区域，从而则在预设地图上实现对目标事件的热点区域的定位。
在一种可能的设计中，本步骤S103于预设地图将聚集区域进行可视化呈现的可能实现方式，可以包括：
于预设地图上利用预设应用程序接口将聚集区域所对应的经纬度数据进行可视化标识，以将聚集区域进行可视化呈现。
将可视化呈现后的聚集区域确定为目标事件的热点区域。
例如，以预设地图是百度地图为例，百度地图的JavaScript API(ApplicationProgram Interface，应用程序接口)是一套可以由JavaScript语言编写的应用程序接口，其能够用于在网站环境中构建功能丰富、交互性强的地图应用，并且还支持PC(personalcomputer，个人计算机)端和移动端基于浏览器的地图应用开发，且支持HTML5特性的地图开发。因而，于预设地图上利用该应用程序接口，即预设应用程序接口，对预设地图上聚集区域所对应的经纬度数据进行可视化标识，以可视化呈现聚集区域。可视化呈现后的聚集区域即为目标事件的热点区域。
图6为本申请实施例提供的一种热点区域的可视化示意图，如图6所示，图6中的a图用于表示目标事件为用户投诉事件时所定位的热点区域(图6中a图中实线所圈的区域即为定位的热点区域)，图6中的b图用于表示目标事件为2I订单时所定位的热点区域(图6中b图的虚线所圈区域即为定位的热点区域)。
本申请实施例提供的热点区域定位方法，首先获取历史时长内用于表征目标事件的属性特征的原始信息，然后基于原始信息利用预设聚类算法对目标事件所处区域进行聚类处理，以得到目标事件的聚集区域，再于预设地图将聚集区域的地理位置进行可视化标识，以将针对目标事件的热点区域实现定位。本实施例提供的热点区域定位方法，基于历史时长内目标事件本身的原始信息使用预设聚类算法对发生目标事件的区域进行聚类处理，首先得到目标时间的聚集区域，再结合预设地图对聚集区域进行可视化呈现，以于预设地图上定位出目标事件的热点区域。整个定位过程无需依赖人工处理数据，省时省力，并且还与微网格的大小无关，能够根据原始信息本身聚焦热点区域，聚焦效果明显且准确度较高，因而能够满足现如今多维度数据的扩展需求以及数据量的快速增长，实现热点区域的精准定位，进而为划小经营提供有力的支撑数据。
图7为本申请实施例提供的又一种热点区域定位方法的流程示意图。如图7所示，本实施例包括：
S201：获取历史时长内目标事件的原始信息。
其中，原始信息用于表征目标事件的属性特征。
S202：对目标事件的原始信息对应的地址信息进行解析，以得到地址信息对应的经纬度数据。
步骤S201至步骤S102的实现方式、原理及效果与步骤S101至步骤S102的实现方式、原理及效果相类似，在此不再赘述。
S203：将每个经纬度数据确定为进行聚类处理的数据集合的子集，并根据各经纬度数据确定邻域半径和预设密度阈值。
在得到进行聚类处理的各经纬度数据之后，将各经纬度数据确定为进行聚类处理的数据集合中的各子集，即将各维度数据作为进行聚类处理的样本数据。并且，根据各经纬度数据本身的特点设置邻域半径和预设密度阈值。其中，邻域半径为一距离数据，例如将邻域半径设置为500米，预设密度阈值为一数量数据，例如将预设密度阈值设置为5，
可以理解的是，在实际工况中，可以根据目标事件的各经纬数据的具体数据情况设置邻域半径和预设密度阈值具体的取值，对此，本实施例不作限定。
S204：根据预设密度聚类算法、邻域半径及预设密度阈值对数据集合进行分类迭代，以得到对应的每个类别。
S205：直到当数据集合中的每个子集都得到对应的类别，结束分类迭代，以将得到的每个类别确定为对应的聚类簇。
以下对于步骤S204和步骤S205的实现方式及原理结合起来进行说明。
在根据各经纬度数据设置了邻域半径和预设密度阈值之后，则对各经纬度数据所形成的数据集合进行预设密度聚类算法运算，邻域半径和预设密度阈值为进行预设密度聚类算法所需的二个参数。具体地，将邻域半径、预设密度阈值以及数据集合中的各子集作为预设密度聚类算法的输入，通过运算预设密度聚类算法，以输出达到预设密度阈值的各类别，将得到的每个类别确定为聚类簇。
预设密度聚类算法的运行过程可以描述为，首先任选一个数据集合中未被访问(unvisited)的子集作为开始，以找出与该子集对应的点的距离在邻域半径以内及包括邻域半径的所有附近点，如果附近点的数量大于等于预设密度阈值的取值，则将当前点与其附近点形成一个簇，完成一个分类迭代，并将出发点标记为已访问(visited)，不断进行递归，以相同的方式处理该簇内所有未被标记为已访问的点，以对该簇进行扩展，形成相应的新的簇，即即对数据集合进行分类迭代，得到对应的每个类别。而如果附近点的数量小于预设密度阈值的取值，则将该附近点暂时标记为噪声点。对簇进行充分地扩展，直到当簇内的所有点被标记为已访问(visited)，得到被分类迭代后的各个簇，即各类别。其中，当簇内的所有点被标记为已访问(visited)，则表明数据集合中的每个子集都得到对应的类别，因而结束分类迭代，并将得到的每个类别确定为对应的聚类簇，以完成利用预设密度聚类算法对目标时间所处区域进行聚类处理，输出聚类簇的过程。
S206：根据聚类处理后得到的各聚类簇包含的经纬度数据确定目标事件的聚集区域。
在得到各聚类簇后，则利用各聚类簇所包含的经纬度数据指征对应的地理位置，所指征的地理位置即为目标事件的聚集区域，从而完成根据聚类处理后得到的各距离簇包含的经纬度数据确定目标事件的聚集区域。
S207：于预设地图将聚集区域的地理位置进行可视化标识，以定位目标事件的热点区域。
本步骤S207的实现方式、原理及效果与步骤S103的实现方式、原理及效果相类似，具体内容可参考前述实施例中的详细介绍，在此不再赘述。
进一步地，在得到目标事件的热点区域后，还可以根据目标事件的具体表现形式将热点区域作为参考数据，生成更佳具有热点价值的相关数据以及制定更佳有利于热点区域所要开展的业务计划。
例如，当目标事件包括针对网络覆盖差的用户投诉事件，则在定位目标事件的热点区域之后，执行步骤S208至步骤S2010。
S208：获取热点区域的网络覆盖信息。
S209：根据网络覆盖信息对热点区域进行网络覆盖质量评估，以生成第一评估报告。
S2010：根据第一评估报告规划基站建设，以减少用户投诉事件的发生。
当目标事件包括针对网络覆盖差的用户投诉事件，即产生用户投诉事件的原因由于网络覆盖差，则首先获取热点区域的网络覆盖信息，例如可以从热点区域的网管中心获取热点区域对应的MR数据，所获取到的MR数据中则包含有该热点区域的网络覆盖信息。然后根据所获取到的网络覆盖信息对该热点区域的网络覆盖质量进行评估，例如可以设置不同的网络覆盖质量等级，生成相应的评估报告，即第一评估报告。进而再以第一评估报告作为数据参考，对于第一评估报告所指征的弱覆盖区域可以规划相应的基站建设，以增强弱覆盖区域的网络覆盖质量，从而减少该热点区域用户投诉事件的发生。可见，根据目标事件的原始信息定位目标事件的热点区域，将热点区域作为参考依据，再结合与目标事件相关联的其他数据可以分析导致目标事件发生的原因，进而可以克服对用户而言具有消极影响的目标事件，提升服务质量，使得热点区域的定位为划小经营提供有力的数据支撑。
可选地，当目标事件包括预设业务事件，预设业务如2I订单业务，则在定位目标事件的热点区域之后，执行步骤S2011至步骤S2013。
S2011：获取热点区域内预设业务事件的用户特征信息。
其中，用户特征信息包括用户套餐信息和用户套餐信息对应的用户ARPU值。
S2012：根据用户套餐信息和用户ARPU值对热点区域进行用户特征评估，以生成第二评估报告。
S2013：根据第二评估报告生成推送信息，以将推送信息定向推送至用户特征信息对应的每个用户。
与步骤S208相类似的实现方式，例如可以从热点区域对应的网管中心获取该热点区域内使用预设业务事件的用户特征信息，用户特征信息包括使用预设业务事件的用户套餐信息以及该用户套餐信息所对应的用户ARPU值(Average Revenue Per User，每用户平均收入)，预设业务例如2I订单业务，预设业务事件即为2I订单业务事件，2I订单业务是指运营商与第三方合作推出的套餐业务，对于2I订单业务的具体内容不作限定。用户套餐信息则指用户所使用的具体的套餐内容。
在获取到该热点区域内预设业务事件的用户特征信息后，则根据用户套餐信息和用户ARPU值对该热点区域进行用户特征评估，即基于用户特征信息对该热点区域内使用预设业务事件的用户特征进行评估，得到相应的评估报告，即第二评估报告。在得到第二评估报告后，则可以依据第二评估报告所反馈的该热点区域内预设业务事件的用户特征生成适宜该区域内使用预设业务事件的用户的推送信息，进而将推送信息定向推送至用户特征信息所对应的每个用户处，以实现信息的精准推送。其中，推送信息可以包括服务于用户特征的每个用户并有利于提升该热点区域的业务量和/或业务质量的各种信息，对于推送信息所包括的具体内容，本实施例不作限定。可见，根据目标事件的原始信息定位目标事件的热点区域，将热点区域作为参考依据，再结合与目标事件的具体内容相关联的其他数据，则可以得到适宜该热点区域的相应推送信息，不但能够实现精准推送，还能具有针对性地提高业务量和/或业务质量，使得热点区域的定位为划小经营提供有力的数据支撑。
需要说明的是，目标事件包括但不仅限于本申请实施例列举的上述各事件，还可以为根据运营商所提供的业务服务产生的各种指标的相应事件，例如针对KPI(KeyPerformance Indicators，关键绩效指标)指标的考核事件等等，即目标事件可以为热点区域上能够开展的业务所涉及的各种事件，对于目标事件的具体类型及内容本申请实施例不作限定。
本申请实施例提供的热点区域定位方法，首先获取历史时长内用于表征目标事件的属性特征的原始信息，然后对目标事件的原始信息所对应的地址信息进行解析，得到地址信息对应的经纬度数据，以将每个经纬度数据确定为进行聚类处理的数据集合的子集，并根据各经纬度数据确定邻域半径和预设密度阈值，以及根据预设密度聚类算法、邻域半径及预设密度阈值对数据集合进行分类迭代得到对应的每个类别。直到当数据集合中的每个子集都得到对应的类别，结束分类迭代，并将得到的每个类别确定为对应的聚类簇，将各聚类簇包含的经纬度数据确定为目标事件的聚集区域，再于预设地图将聚集区域的地理位置进行可视化标识，实现对目标事件的热点区域的精准定位，以为划小经营提供有力的支撑数据。进一步地，在实现热点区域定位的基础上，将热点区域作为参考依据，并结合目标事件本身的具体内容以及与其相关联的其他数据对产生负面的目标事件的原因进行评估，或者对正面的目标事件所对应的业务的进一步开展进行评估，并根据相应的评估结果制定针对性的解决方案，以提升在热点区域所开展的业务量和/或业务质量，使得对热点区域的定位更加具备一定的数据价值，进而能够更佳有利于为划小经营模式提供有力的数据支撑。
下述为本申请装置实施例，可以用于执行本申请对应的方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请对应的方法实施例。
图8为本申请实施例提供的一种热点区域定位装置的结构示意图。如图8所示，本实施例提供的热点区域定位装置300，包括：
获取模块301，用于获取历史时长内目标事件的原始信息。
其中，原始信息用于表征目标事件的属性特征。
处理模块302，用于根据预设聚类算法以及原始信息对目标事件所处区域进行聚类处理，以得到目标事件的聚集区域。
可视化模块303，用于于预设地图将聚集区域的地理位置进行标识，以定位目标事件的热点区域。
在一种可能的设计中，获取模块301，具体用于：
获取历史时长内已发生的目标事件多条内容信息，内容信息用于描述目标事件；
根据预设筛选原则对每条内容信息进行筛选，以将筛选后的内容信息确定为原始信息。
在图8所示实施例的基础上，图9为本申请实施例提供的一种处理模块的结构示意图。如图9所示，本实施例提供的热点区域定位装置300中，处理模块302，包括：
第一处理子模块3021，用于对目标事件的原始信息对应的地址信息进行解析，以得到地址信息对应的经纬度数据；
第二处理子模块3022，用于根据预设密度聚类算法以及各经纬度数据对目标事件所处区域进行聚类处理，以根据聚类处理后得到的各聚类簇包含的经纬度数据确定目标事件的聚集区域；
其中，预设聚类算法包括预设密度聚类算法。
在一种可能的设计中，第二处理子模块302，具体用于：
将每个经纬度数据确定为进行聚类处理的数据集合的子集，并根据各经纬度数据确定邻域半径和预设密度阈值；
根据预设密度聚类算法、邻域半径及预设密度阈值对数据集合进行分类迭代，以得到对应的每个类别；
直到当数据集合中的每个子集都得到对应的类别，结束分类迭代，以将得到的每个类别确定为对应的聚类簇。
在一种可能的设计中，可视化模块303，具体用于：
于预设地图上利用预设应用程序接口将聚集区域所对应的经纬度数据进行可视化标识，以将聚集区域进行可视化呈现；
将可视化呈现后的聚集区域确定为目标事件的热点区域。
在一种可能的设计中，当目标事件包括针对网络覆盖差的用户投诉事件，热点区域定位装置300，还包括：第三处理子模块。
该第三处理子模块，用于：
获取热点区域的网络覆盖信息；
根据网络覆盖信息对热点区域进行网络覆盖质量评估，以生成第一评估报告；
根据第一评估报告规划基站建设，以减少用户投诉事件的发生。
在一种可能的设计中，当目标事件包括预设业务事件，热点区域定位装置300，还包括：第四处理子模块。
该第四处理子模块，用于：
获取热点区域内预设业务事件的用户特征信息，用户特征信息包括用户套餐信息和用户套餐信息对应的用户ARPU值；
根据用户套餐信息和用户ARPU值对热点区域进行用户特征评估，以生成第二评估报告；
根据第二评估报告生成推送信息，以将推送信息定向推送至用户特征信息对应的每个用户。
值得说明的，上述实施例提供的热点区域定位装置，可用于执行上述任一实施例提供的热点区域定位方法的各相应步骤，具体实现方式和技术效果类似，这里不再赘述。
本申请所提供的上述各装置实施例仅仅是示意性的，其中的模块划分仅仅是一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个模块可以结合或者可以集成到另一个系统。各个模块相互之间的耦合可以是通过一些接口实现，这些接口通常是电性通信接口，但是也不排除可能是机械接口或其它的形式接口。因此，作为分离部件说明的模块可以是或者也可以不是物理上分开的，既可以位于一个地方，也可以分布到同一个或不同设备的不同位置上。
图10为本申请提供的一种电子设备的结构示意图。如图10所示，该电子设备400可以包括：至少一个处理器401和存储器402。图10示出的是以一个处理器为例的电子设备。
存储器402，用于存放处理器401的计算机程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器402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。
处理器401配置为用于执行存储器402存储的计算机程序，以实现以上各方法实施例中热点区域定位方法的各相应步骤。
其中，处理器401可能是一个中央处理器(central processing unit，简称为CPU)，或者是特定集成电路(application specific integrated circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
可选地，存储器402既可以是独立的，也可以跟处理器401集成在一起。当存储器402是独立于处理器401之外的器件时，电子设备400，还可以包括：
总线403，用于连接处理器401以及存储器402。总线可以是工业标准体系结构(industry standard architecture，简称为ISA)总线、外部设备互连(peripheralcomponent，PCI)总线或扩展工业标准体系结构(extended industry standardarchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器402和处理器401集成在一块芯片上实现，则存储器402和处理器401可以通过内部接口完成通信。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random accessmemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有计算机程序，当电子设备的至少一个处理器执行该计算机程序时，电子设备执行上述的各种实施方式提供的热点区域定位方法的各个步骤。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该计算机程序，至少一个处理器执行该计算机程序使得电子设备实施上述的各种实施方式提供的热点区域定位方法的各个步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (11)
1.一种热点区域定位方法，其特征在于，包括：
获取历史时长内目标事件的原始信息，所述原始信息用于表征所述目标事件的属性特征；
根据预设聚类算法以及所述原始信息对所述目标事件所处区域进行聚类处理，以得到所述目标事件的聚集区域；
于预设地图将所述聚集区域的地理位置进行可视化标识，以定位所述目标事件的热点区域。
2.根据权利要求1所述的热点区域定位方法，其特征在于，所述获取历史时长内目标事件的原始信息，包括：
获取所述历史时长内已发生的所述目标事件多条内容信息，所述内容信息用于描述所述目标事件；
根据预设筛选原则对每条内容信息进行筛选，以将筛选后的所述内容信息确定为所述原始信息。
3.根据权利要求2所述的热点区域定位方法，其特征在于，所述根据预设聚类算法以及所述原始信息对所述目标事件所处区域进行聚类处理，以得到所述目标事件的聚集区域，包括：
对所述目标事件的所述原始信息对应的地址信息进行解析，以得到所述地址信息对应的经纬度数据；
根据预设密度聚类算法以及各经纬度数据对所述目标事件所处区域进行所述聚类处理，以根据所述聚类处理后得到的各聚类簇包含的经纬度数据确定所述目标事件的所述聚集区域；
其中，所述预设聚类算法包括所述预设密度聚类算法。
4.根据权利要求3所述的热点区域定位方法，其特征在于，所述根据预设密度聚类算法以及各经纬度数据对所述目标事件所处区域进行聚类处理，包括：
将每个经纬度数据确定为进行所述聚类处理的数据集合的子集，并根据所述各经纬度数据确定邻域半径和预设密度阈值；
根据所述预设密度聚类算法、所述邻域半径及所述预设密度阈值对所述数据集合进行分类迭代，以得到对应的每个类别；
直到当所述数据集合中的每个子集都得到对应的类别，结束所述分类迭代，以将得到的每个类别确定为对应的所述聚类簇。
5.根据权利要求4所述的热点区域定位方法，其特征在于，所述于预设地图将所述聚集区域的地理位置进行可视化标识，以定位所述目标事件的热点区域，包括：
于所述预设地图上利用预设应用程序接口将所述聚集区域所对应的经纬度数据进行可视化标识，以将所述聚集区域进行可视化呈现；
将可视化呈现后的所述聚集区域确定为所述目标事件的所述热点区域。
6.根据权利要求1-5任一项所述的热点区域定位方法，其特征在于，当所述目标事件包括针对网络覆盖差的用户投诉事件，在所述定位所述目标事件的热点区域之后，还包括：
获取所述热点区域的网络覆盖信息；
根据所述网络覆盖信息对所述热点区域进行网络覆盖质量评估，以生成第一评估报告；
根据所述第一评估报告规划基站建设，以减少所述用户投诉事件的发生。
7.根据权利要求1-5任一项所述的特点区域发现方法，其特征在于，当所述目标事件包括预设业务事件，在所述定位所述目标事件的热点区域之后，还包括：
获取所述热点区域内所述预设业务事件的用户特征信息，所述用户特征信息包括用户套餐信息和所述用户套餐信息对应的用户ARPU值；
根据所述用户套餐信息和所述用户ARPU值对所述热点区域进行用户特征评估，以生成第二评估报告；
根据所述第二评估报告生成推送信息，以将所述推送信息定向推送至所述用户特征信息对应的每个用户。
8.一种热点区域定位装置，其特征在于，包括：
获取模块，用于获取历史时长内目标事件的原始信息，所述原始信息用于表征所述目标事件的属性特征；
处理模块，用于根据预设聚类算法以及所述原始信息对所述目标事件所处区域进行聚类处理，以得到所述目标事件的聚集区域；
可视化模块，用于于预设地图将所述聚集区域的地理位置进行标识，以定位所述目标事件的热点区域。
9.一种电子设备，其特征在于，包括：
处理器；以及，
存储器，用于存储所述处理器的计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行权利要求1至7任一项所述的热点区域定位方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的任一项所述的热点区域定位方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的热点区域定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654842.9A CN113392338A (zh) | 2021-06-11 | 2021-06-11 | 热点区域定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654842.9A CN113392338A (zh) | 2021-06-11 | 2021-06-11 | 热点区域定位方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113392338A true CN113392338A (zh) | 2021-09-14 |
Family
ID=77620653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110654842.9A Pending CN113392338A (zh) | 2021-06-11 | 2021-06-11 | 热点区域定位方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392338A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115422480A (zh) * | 2022-10-31 | 2022-12-02 | 荣耀终端有限公司 | 事件发生地区域的确定方法、设备及存储介质 |
| CN116095601A (zh) * | 2022-05-30 | 2023-05-09 | 荣耀终端有限公司 | 基站小区cell特征库更新方法及相关装置 |
| CN116401568A (zh) * | 2023-02-02 | 2023-07-07 | 道枢(上海)数字技术有限公司 | 一种基于密度聚类的事件多发区域智能划分方法 |
| CN117014939A (zh) * | 2023-09-28 | 2023-11-07 | 深圳市优网科技有限公司 | 一种基于移动通信用户的热度图数据生成方法及装置 |
| CN117573952A (zh) * | 2024-01-16 | 2024-02-20 | 北京睿企信息科技有限公司 | 一种基于地图的信息显示方法、电子设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160203143A1 (en) * | 2015-01-14 | 2016-07-14 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | User generated data based map search |
| CN106202471A (zh) * | 2016-07-18 | 2016-12-07 | 上海河广信息科技有限公司 | 营业厅候选点筛选方法及系统 |
| CN107590242A (zh) * | 2017-09-14 | 2018-01-16 | 北京三快在线科技有限公司 | 一种地址信息处理方法及装置 |
| CN108959466A (zh) * | 2018-06-20 | 2018-12-07 | 淮阴工学院 | 基于bcs-dbscan的出租车载客热点可视化方法及系统 |
| CN110188818A (zh) * | 2019-05-28 | 2019-08-30 | 南京中孚信息技术有限公司 | 热点区域聚类方法、装置及电子设备 |
| CN110516002A (zh) * | 2019-07-15 | 2019-11-29 | 顺丰科技有限公司 | 基于地图的任务显示方法、装置、设备及存储介质 |
| CN110866767A (zh) * | 2018-08-27 | 2020-03-06 | 中国移动通信集团江西有限公司 | 电信用户满意度的预测方法、装置、设备及介质 |
| CN111797145A (zh) * | 2020-07-17 | 2020-10-20 | 贵州电网有限责任公司电力科学研究院 | 一种电力客户容忍度评价分类方法 |
-
2021
- 2021-06-11 CN CN202110654842.9A patent/CN113392338A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160203143A1 (en) * | 2015-01-14 | 2016-07-14 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | User generated data based map search |
| CN106202471A (zh) * | 2016-07-18 | 2016-12-07 | 上海河广信息科技有限公司 | 营业厅候选点筛选方法及系统 |
| CN107590242A (zh) * | 2017-09-14 | 2018-01-16 | 北京三快在线科技有限公司 | 一种地址信息处理方法及装置 |
| CN108959466A (zh) * | 2018-06-20 | 2018-12-07 | 淮阴工学院 | 基于bcs-dbscan的出租车载客热点可视化方法及系统 |
| CN110866767A (zh) * | 2018-08-27 | 2020-03-06 | 中国移动通信集团江西有限公司 | 电信用户满意度的预测方法、装置、设备及介质 |
| CN110188818A (zh) * | 2019-05-28 | 2019-08-30 | 南京中孚信息技术有限公司 | 热点区域聚类方法、装置及电子设备 |
| CN110516002A (zh) * | 2019-07-15 | 2019-11-29 | 顺丰科技有限公司 | 基于地图的任务显示方法、装置、设备及存储介质 |
| CN111797145A (zh) * | 2020-07-17 | 2020-10-20 | 贵州电网有限责任公司电力科学研究院 | 一种电力客户容忍度评价分类方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116095601A (zh) * | 2022-05-30 | 2023-05-09 | 荣耀终端有限公司 | 基站小区cell特征库更新方法及相关装置 |
| CN116095601B (zh) * | 2022-05-30 | 2023-10-20 | 荣耀终端有限公司 | 基站小区cell特征库更新方法及相关装置 |
| CN115422480A (zh) * | 2022-10-31 | 2022-12-02 | 荣耀终端有限公司 | 事件发生地区域的确定方法、设备及存储介质 |
| CN116401568A (zh) * | 2023-02-02 | 2023-07-07 | 道枢(上海)数字技术有限公司 | 一种基于密度聚类的事件多发区域智能划分方法 |
| CN117014939A (zh) * | 2023-09-28 | 2023-11-07 | 深圳市优网科技有限公司 | 一种基于移动通信用户的热度图数据生成方法及装置 |
| CN117014939B (zh) * | 2023-09-28 | 2023-12-08 | 深圳市优网科技有限公司 | 一种基于移动通信用户的热度图数据生成方法及装置 |
| CN117573952A (zh) * | 2024-01-16 | 2024-02-20 | 北京睿企信息科技有限公司 | 一种基于地图的信息显示方法、电子设备和存储介质 |
| CN117573952B (zh) * | 2024-01-16 | 2024-03-29 | 北京睿企信息科技有限公司 | 一种基于地图的信息显示方法、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113392338A (zh) | 热点区域定位方法、装置、设备及存储介质 | |
| CN111177222B (zh) | 模型测试方法、装置及计算设备、存储介质 | |
| CN107330459B (zh) | 一种数据处理方法、装置和电子设备 | |
| WO2016070673A1 (zh) | 用户属性分析方法及装置 | |
| CN104298679A (zh) | 应用业务推荐方法及装置 | |
| CN103150696A (zh) | 选择目标增值业务潜在客户的方法及装置 | |
| CN110781971B (zh) | 一种商户类型识别方法、装置、设备和可读介质 | |
| JPWO2019069505A1 (ja) | 情報処理装置、結合条件生成方法および結合条件生成プログラム | |
| CN110049079A (zh) | 信息推送及模型训练方法、装置、设备及存储介质 | |
| CN104778231A (zh) | 一种地理区域的特征识别方法和装置 | |
| CN111163482A (zh) | 数据的处理方法、设备及存储介质 | |
| CN111681049A (zh) | 用户行为的处理方法、存储介质及相关设备 | |
| CN111652661A (zh) | 一种手机客户端用户流失预警处理方法 | |
| CN111062627A (zh) | 一种风电场宏观选址方法、系统及相关设备 | |
| CN112948262A (zh) | 一种系统测试方法、装置、计算机设备和存储介质 | |
| CN110796178B (zh) | 决策模型训练方法及样本特征选择方法、装置和电子设备 | |
| CN113132891B (zh) | 一种基于移动信令的客流统计方法和系统 | |
| CN115278761B (zh) | 网络评估方法、装置、设备及存储介质 | |
| CN115576973B (zh) | 一种业务部署方法、装置、计算机设备和可读存储介质 | |
| CN111935772A (zh) | 一种确定业务区域的价值的方法和装置 | |
| CN110263618A (zh) | 一种核身模型的迭代方法和装置 | |
| CN112235723B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
| Yang et al. | Mobility pattern identification based on mobile phone data | |
| CN110955760A (zh) | 判决结果的评价方法和相关装置 | |
| CN113076451B (zh) | 异常行为识别和风险模型库的建立方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |
|
| RJ01 | Rejection of invention patent application after publication |