CN113643079B - 一种基于格网粒子画像确定人群规模的方法及设备 - Google Patents

一种基于格网粒子画像确定人群规模的方法及设备 Download PDF

Info

Publication number
CN113643079B
CN113643079B CN202111199447.2A CN202111199447A CN113643079B CN 113643079 B CN113643079 B CN 113643079B CN 202111199447 A CN202111199447 A CN 202111199447A CN 113643079 B CN113643079 B CN 113643079B
Authority
CN
China
Prior art keywords
grid
particle
portrait
characteristic attribute
cluster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111199447.2A
Other languages
English (en)
Other versions
CN113643079A (zh
Inventor
孙伟
朱与墨
储鑫淼
田鹏飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yijing Zhilian Suzhou Technology Co ltd
Original Assignee
Yijing Zhilian Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yijing Zhilian Beijing Technology Co ltd filed Critical Yijing Zhilian Beijing Technology Co ltd
Priority to CN202111199447.2A priority Critical patent/CN113643079B/zh
Publication of CN113643079A publication Critical patent/CN113643079A/zh
Application granted granted Critical
Publication of CN113643079B publication Critical patent/CN113643079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于格网粒子画像确定人群规模的方法及设备。该方法包括：获取不同等级城市的格网粒子画像数据集；使用聚类算法对格网粒子画像数据集进行聚类以输出簇组；对簇组排序并确定各个簇的人群规模。本申请的技术方案可在人口格网数据生产中降低千倍以上成本，在进行城市洞察规划以及门店智能选址方面可以提供更经济可靠的数据服务。

Description

一种基于格网粒子画像确定人群规模的方法及设备
技术领域
本发明涉及机器学习领域，尤其涉及一种基于格网粒子画像的人群规模预测方法及设备。
背景技术
行政区划中的人口数量与社会经济发展息息相关。人口统计数据与政策制定有非常密切的联系，例如城市规划，学校教育，环境保护等，都需要根据人口统计数据作出科学的决策。人口统计数据与商业活动也紧密相关，例如广告投放和门店选择，不同的人口统计数据会决定广告投放的价格，也影响广告主投放广告的意愿，以及商家门店选址的决策。
GIS系统中，通常采用地理栅格数据进行数据存储管理，其通过将空间分割成网格，每个网格称为格网粒子，利用为每个格网粒子赋予属性值来形成数据，在计算机中可以基于该数据进行数据处理。
人口数据空间化是GIS系统中非常重要的研究领域，其核心任务是进行人口统计数据离散处理，其研究的方法从早期的静态格网逐渐发展到动态格网。静态格网将人口统计数据投影到单元尺寸格网中，动态网格化利用夜间灯光、道路路网等同人口分布相结合，从而在一定空间尺度的格网中分配人口数据。
现有技术中，由于格网数量众多，在计算格网中的人口数据时需要巨大的运算量，因此有必要提供一种减少运算量的技术方案。
发明内容
有鉴于此，本申请提出了一种基于格网粒子画像的人群规模预测方法及设备，以提高运算速度。
根据本申请的一个方面，提出了一种基于格网粒子画像确定人群规模的方法，该方法包括：
获取不同等级城市的格网粒子画像数据集；
使用聚类算法对格网粒子画像数据集进行聚类以输出簇组；
对簇组排序并确定各个簇的人群规模。
优选地，所述使用聚类算法对格网粒子画像数据集进行聚类以输出簇组包括：
切分所述不同等级城市的格网粒子画像数据集，得到格网粒子画像数据测试集和格网粒子画像数据训练集；
使用聚类算法对格网粒子画像数据训练集进行聚类，并使用格网粒子画像数据测试集验证聚类算法，直至聚类算法输出的簇组符合预定的条件。
优选地，所述切分所述不同等级城市的格网粒子画像数据集包括使用留出法切分所述不同等级城市的格网粒子画像数据集。
优选地，该方法还包括：
对获取的不同等级城市的格网粒子画像数据集进行归一化。
本申请提供了一种基于格网粒子画像确定人群规模的设备，该设备包括：
获取单元，用于获取不同等级城市的格网粒子画像数据集；
聚类单元，用于使用聚类算法对格网粒子画像数据集进行聚类以输出簇组；
确定单元，用于对簇组排序并确定各个簇的人群规模。
优选地，所述聚类单元，用于切分所述不同等级城市的格网粒子画像数据集，得到格网粒子画像数据测试集和格网粒子画像数据训练集；使用聚类算法对格网粒子画像数据训练集进行聚类，并使用格网粒子画像数据测试集验证聚类算法，直至聚类算法输出的簇组符合预定的条件。
优选地，所述聚类单元，还用于使用留出法切分所述不同等级城市的格网粒子画像数据集。
优选地，该设备还包括归一化单元，用于对获取的不同等级城市的格网粒子画像数据集进行归一化。
本申请提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储可被处理器执行的计算机指令，当处理器执行上述计算机时，实现所述的方法。
本申请提供了一种计算机可读介质，存储计算机指令，所述计算机指令用于实现所述的方法。
根据本申请的技术方案，可在人口格网数据生产中降低千倍以上成本，在进行城市洞察规划以及门店智能选址方面可以提供更经济可靠的数据服务。
本申请的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施方式及其说明用于解释本申请。在附图中：
图1为本申请提供的基于格网粒子画像确定人群规模的方法流程图；
图2示出了本申请提供的优选实施例；
图3示出了本申请提供的基于格网粒子画像确定人群规模的设备示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施方式及各个实施方式中的特征可以相互组合。
下面将参考附图并结合实施方式来详细说明本申请。
人口数据对于国民经济的重要性不言而喻，所以我国每十年会进行一次人口普查，通过对人口普查数据的分析，政府可以指定相对合理的政策，发展经济，改善民生。但是，人口普查的间隔期限较长，并且人口普查在统计数据时，统计的粒度大，例如以村或乡镇为单位上报数据，因此这些数据也不能反映出在村或乡镇内部是如何分布。
为了改善上述数据的缺陷，发展出了通过兴趣点为对象分析特定区域人口分布的方案。针对待分析的区域，例如以整个中国大陆为研究对象，利用希尔伯特曲线可以将整个中国大陆划分为若干格网粒子（简称格网），利用格网区域内部的属性特征，例如小区、学校、商店等，对格网进行画像，得到格网粒子画像数据集。
本发明中，为了加快运算的速度，对我国大陆的城市进行了分级，例如分为一线城市（如北京、上海、广州、深圳）、二线城市（武汉、南京、郑州、杭州）、三线城市（如鞍山、洛阳）等，从而在城市对应的格网粒子画像数据集中能够反映出城市的级别，即格网粒子画像数据中包含城市级别这一属性特征。可以地，分别将不同等级城市格网粒子画像数据切分，得到对各个级别城市对应的格网粒子画像数据集，从而可以无需再格网粒子画像数据中包含城市级别这个属性特征。例如将一线城市、二线城市、三线城市的格网粒子画像数据切分出来，形成对应的格网粒子画像数据集。
优选地，为了便于加速运算，可以对格网粒子画像数据中的属性特征进行归一化，例如将所有的属性特征归一化到[0,1]这个区间，从而加快运算的速度。
针对未归一化或者归一化的格网粒子画像数据集，可以对其进行聚类，例如使用留出法将格网粒子画像数据集切分为格网粒子画像数据训练集和格网粒子画像数据测试集，并使用K-means聚类算法对格网粒子画像数据训练集进行聚类，并使用格网粒子画像数据测试集进行验证。在验证的过程中，以K-means聚类算法的准确率和召回率为目标，如果使用格网粒子画像数据测试集进行验证时，K-means聚类算法的准确率和召回率达不到预设值，则需要调整K-means聚类算法的参数，具体的调整过程可以通过数据训练实现。需要说明的是该K-means算法采用余弦相似度计算格网粒子之间的距离，从而能够使得级别相同的城市更容易聚类为簇组，避免不同级别的城市聚类为簇组。可替换地，聚类算法也可以采用Clara或者Clarans算法。
在通过聚类算法输出簇组之后，可以对簇组进行排序，例如将其特征属性加和之后，根据特征属性的和进行排序。通过预先知道的格网粒子人口数据的范围，可以估算出各个簇对应的人口数据。例如，格网粒子人口数据的范围是1000-10000，输出的簇组为10个，则根据排序的结果，每个簇组的分口数量分别为1000、2000、3000、4000、5000、6000、7000、8000、9000、10000。进一步地，还可以将人口规模划分为若干等级，例如五个等级，则可以将10个簇组按照顺序分别划分为等级一、等级二、等级三、等级四、等级五，每个等级包括两个簇组。
上述方法利用了聚类算法，实质上是利用无监督机器学习并使用城市等级划分预处理方法，从而使得规划预测置信度大大提升。
图1示出了本申请提供的基于格网粒子画像确定人群规模的方法流程图，具体包括：
步骤101，获取不同等级城市的格网粒子画像数据集；该步骤可以利用格网划分方法以及已知的格网粒子中的属性信息进行画像，得到格网粒子画像数据集，也可以通过购买或者租用他人已经制作完成的格网粒子画像数据集；优选地，可以对格网粒子画像数据集进行归一化，从而加快聚类的运算速度。
步骤103，使用聚类算法对格网粒子画像数据集进行聚类以输出簇组；聚类算法可以例如是K-means算法。在使用K-means算法时，可以使用留出法对格网粒子画像数据集进行切分，切分为格网粒子画像数据训练集和格网粒子画像数据测试集；K-means算法利用格网粒子画像数据训练集进行训练，以准确率和召回率为目标，使用格网粒子画像数据测试集进行验证，直至训练得到的K-means算法符合要求。优选地，该K-means算法采用余弦相似度计算格网粒子之间的距离，从而能够使得级别相同的城市更容易聚类为簇组，避免不同级别的城市聚类为簇组。运用余弦相似度计算方法，可以实现在空间格网人口规模预测场景下的应用，实现了空间数据生产与机器学习算法的深度关联，帮助使用者节省了大量线下调研的成本与时间。
根据余弦相似度的公式，特征属性a和特征属性b按照下式计算,其中xi为特征属性a的参数,yi为特征属性b的参数：
Figure DEST_PATH_IMAGE001
现有技术中的余弦相似度算法针对每个特征属性，需要消耗巨大的计算量。为了优化计算量，本申请中，通过获取特征属性a和特征属性b的八分位数，并设置取特征属性a的八分位数和特征属性b的八分位数的乘积为阈值。计算特征属性的八分位数时，可以将特征属性各个参数归一化后,将各个参数加和,然后将得到的和排序，从而取出八分位数对应的特征属性,作为特征属性的八分位数。上式中，取特征属性a的八分位数和特征属性b的八分位数相同。
在上述公式中，当特征属性a和特征属性b的乘积大于或等于阈值时，再进行分母的计算，从而大大地减少了计算量。即在特征属性a和特征属性b的乘积大于或等于阈值时，计算特征属性a和特征属性b之间的余弦相似度。
步骤105，对簇组排序并确定各个簇的人群规模。簇组排序可以利用簇组中心点的特征属性值相加继续进行排序，将排序后的结果与已知的格网人口数据范围对应，从而确定各个簇的人群规模。进一步地，还可以将簇组对应的人群规模进行分级，例如将其分为五个等级，通过平均分配，每个等级对应若干簇组。
本申请提供的上述技术方案，通过城市等级进行划分，并分别进行处理，减少了数据处理总量，并提升了处理结果的准确度。进一步地，优化了余弦相似度计算方式，通过设置分子的阈值，排除无关的格网，减少不必要的计算，使计算量大大降低，提升计算效率。
图2示出了本申请提供的优选实施例，具体而言，其包括如下步骤：
首先将格网粒子画像样本按照城市等级进行切分，得到各个城市等级的格网粒子画像数据集，然后将格网粒子画像数据集进行切分，例如使用留出法，切分为格网粒子画像数据训练集合格网粒子画像数据测试集。训练集的数据对K-means算法进行训练，并使用测试集验证聚类算法的效果，以准确率和召回率为目标，训练的K-means算法达到目标，可以认为算法训练完成，得到输出的簇族，进一步进行排序并确定人群规模。
图3示出了本申请提供的基于格网粒子画像确定人群规模的设备示意图，包括：获取单元，用于获取不同等级城市的格网粒子画像数据集；聚类单元，用于使用聚类算法对格网粒子画像数据集进行聚类以输出簇组；确定单元，用于对簇组排序并确定各个簇的人群规模。
此外，本申请还提供了一种计算机设备，计算机设备包括处理器和存储器，存储器存储可被处理器执行的计算机指令，当处理器执行上述计算机时，实现上述的方法。本申请还提供了一种计算机可读介质，存储计算机指令，所述计算机指令用于实现所述的方法。
以上所述仅为本申请的较佳实施方式而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种基于格网粒子画像确定人群规模的方法，其特征在于，该方法包括：
获取不同等级城市的格网粒子画像数据集，分别将不同等级城市的格网粒子画像数据切分，得到对各个级别城市对应的格网粒子画像数据集，对所述格网粒子画像数据集进行归一化；
使用聚类算法对格网粒子画像数据集进行聚类以输出簇组，所述聚类算法采用K-means算法，所述K-means算法采用余弦相似度计算格网粒子之间的距离，所述余弦相似度的计算通过获取第一特征属性和第二特征属性的八分位数，并设置取第一特征属性的八分位数和第二特征属性的八分位数的乘积为阈值，在计算第一特征属性、第二特征属性的八分位数时，将第一特征属性、第二属性特征的各个参数归一化后进行加和,然后得到和排序，从而取出八分位数对应的特征属性,作为特征属性的八分位数；
对簇组排序并确定各个簇的人群规模，簇组排序利用簇组中心点的特征属性值相加继续进行排序，将排序后的结果与已知的格网人口数据范围对应，从而确定各个簇的人群规模，将簇组对应的人群规模进行分级，每个等级对应若干簇组。
2.根据权利要求1所述的方法，其特征在于，所述使用聚类算法对格网粒子画像数据集进行聚类以输出簇组包括：
切分所述不同等级城市的格网粒子画像数据集，得到格网粒子画像数据测试集和格网粒子画像数据训练集；
使用聚类算法对格网粒子画像数据训练集进行聚类，并使用格网粒子画像数据测试集验证聚类算法，直至聚类算法输出的簇组符合预定的条件。
3.根据权利要求2所述的方法，其特征在于，所述切分所述不同等级城市的格网粒子画像数据集包括使用留出法切分所述不同等级城市的格网粒子画像数据集。
4.一种基于格网粒子画像确定人群规模的设备，其特征在于，该设备包括：
获取单元，用于获取不同等级城市的格网粒子画像数据集，分别将不同等级城市的格网粒子画像数据切分，得到对各个级别城市对应的格网粒子画像数据集；
归一化单元，用于对获取的不同等级城市的格网粒子画像数据集进行归一化；
聚类单元，用于使用聚类算法对格网粒子画像数据集进行聚类以输出簇组，所述聚类算法采用K-means算法，所述K-means算法采用余弦相似度计算格网粒子之间的距离，所述余弦相似度的计算通过获取第一特征属性和第二特征属性的八分位数，并设置取第一特征属性的八分位数和第二特征属性的八分位数的乘积为阈值，在计算第一特征属性、第二特征属性的八分位数时，将第一特征属性、第二属性特征的各个参数归一化后进行加和,然后得到和排序，从而取出八分位数对应的特征属性,作为特征属性的八分位数；
确定单元，用于对簇组排序并确定各个簇的人群规模，簇组排序利用簇组中心点的特征属性值相加继续进行排序，将排序后的结果与已知的格网人口数据范围对应，从而确定各个簇的人群规模，将簇组对应的人群规模进行分级，每个等级对应若干簇组。
5.根据权利要求4所述的设备，其特征在于，所述聚类单元，用于切分所述不同等级城市的格网粒子画像数据集，得到格网粒子画像数据测试集和格网粒子画像数据训练集；使用聚类算法对格网粒子画像数据训练集进行聚类，并使用格网粒子画像数据测试集验证聚类算法，直至聚类算法输出的簇组符合预定的条件。
6.根据权利要求5所述的设备，其特征在于，所述聚类单元，还用于使用留出法切分所述不同等级城市的格网粒子画像数据集。
7.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器存储可被处理器执行的计算机指令，当处理器执行上述计算机时，实现根据权利要求1-3任一项所述的方法。
8.一种计算机可读介质，其特征在于，存储计算机指令，所述计算机指令用于实现根据权利要求1-3任一项所述的方法。
CN202111199447.2A 2021-10-14 2021-10-14 一种基于格网粒子画像确定人群规模的方法及设备 Active CN113643079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111199447.2A CN113643079B (zh) 2021-10-14 2021-10-14 一种基于格网粒子画像确定人群规模的方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111199447.2A CN113643079B (zh) 2021-10-14 2021-10-14 一种基于格网粒子画像确定人群规模的方法及设备

Publications (2)

Publication Number Publication Date
CN113643079A CN113643079A (zh) 2021-11-12
CN113643079B true CN113643079B (zh) 2022-03-01

Family

ID=78427095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111199447.2A Active CN113643079B (zh) 2021-10-14 2021-10-14 一种基于格网粒子画像确定人群规模的方法及设备

Country Status (1)

Country Link
CN (1) CN113643079B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095591A (zh) * 2015-08-11 2015-11-25 武汉大学 一种多尺度城市扩张关联规则提取方法
CN108960656A (zh) * 2018-07-12 2018-12-07 中国科学院地理科学与资源研究所 一种基于手机数据的城市人群疏散风险动态评价方法
CN112465533A (zh) * 2019-09-09 2021-03-09 中国移动通信集团河北有限公司 智能选品方法、装置及计算设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9210542B2 (en) * 2013-12-09 2015-12-08 Nec Europe Ltd. Method and computer system for detecting crowds in a location tracking system
CN103839065B (zh) * 2014-02-14 2017-02-01 南京航空航天大学 人群动态聚集特征提取方法
CN108600340A (zh) * 2018-04-08 2018-09-28 深圳市和讯华谷信息技术有限公司 一种基于移动大样本数据的历史人群规模推总方法及装置
CN109272009A (zh) * 2018-07-23 2019-01-25 武汉普利商用机器有限公司 一种基于大数据分析的人群画像提取方法及装置
CN111105628A (zh) * 2019-12-23 2020-05-05 北京首钢自动化信息技术有限公司 一种停车场画像构建方法和装置
CN111444829B (zh) * 2020-03-25 2023-08-18 南京航空航天大学 面向液基细胞学检查的融合推理与学习的决策分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095591A (zh) * 2015-08-11 2015-11-25 武汉大学 一种多尺度城市扩张关联规则提取方法
CN108960656A (zh) * 2018-07-12 2018-12-07 中国科学院地理科学与资源研究所 一种基于手机数据的城市人群疏散风险动态评价方法
CN112465533A (zh) * 2019-09-09 2021-03-09 中国移动通信集团河北有限公司 智能选品方法、装置及计算设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An integrated information lifecycle management framework for exploiting social network data to identify dynamic large crowd concentration events in smart cities applications;Kousiouris;《Future Generation Computer Systems》;20181231;全文 *
中越边境跨国少数民族人群健康水平的因子分析;石荣群等;《中国组织工程研究与临床康复》;20070930(第39期);全文 *

Also Published As

Publication number Publication date
CN113643079A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN110245981B (zh) 一种基于手机信令数据的人群类型识别方法
Wang et al. Migration patterns in China extracted from mobile positioning data
Wu et al. Modified data-driven framework for housing market segmentation
CN106919957B (zh) 处理数据的方法及装置
CN108540988B (zh) 一种场景划分方法及装置
CN110929939B (zh) 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法
CN110516476B (zh) 基于频繁位置分类的地理不可区分性位置隐私保护方法
CN108898244B (zh) 一种耦合多源要素的数字标牌位置推荐方法
CN111125285A (zh) 一种基于物种空间分布关系的动物地理区划方法
Smolak et al. Population mobility modelling for mobility data simulation
CN114398951A (zh) 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法
Chen et al. An analysis of movement patterns between zones using taxi GPS data
Hu et al. A framework to detect and understand thematic places of a city using geospatial data
CN110689055A (zh) 一种顾及格网单元属性分级的跨尺度统计指标空间化方法
CN114329240A (zh) 选址特征筛选方法、装置、电子设备及存储介质
CN109919227A (zh) 一种面向混合属性数据集的密度峰值聚类方法
CN106844626B (zh) 利用微博关键词和位置信息模拟空气质量的方法及系统
CN113379269A (zh) 多因素空间聚类的城市商业功能区划方法、装置及介质
CN113643079B (zh) 一种基于格网粒子画像确定人群规模的方法及设备
He et al. Modeling multi-type urban landscape dynamics along the horizontal and vertical dimensions
CN108830302B (zh) 一种图像分类方法、训练方法、分类预测方法及相关装置
CN113850346B (zh) Mec环境下多维属性感知的边缘服务二次聚类方法及系统
Yan et al. A new approach for identifying urban employment centers using mobile phone data: A case study of Shanghai
CN113158084B (zh) 移动轨迹数据处理的方法、装置、计算机设备及存储介质
CN114969143A (zh) 基于数据挖掘的城市间大气污染物时空关联特征分析方法

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 3015, 3 / F, 6 Chuangye Road, Shangdi Information Industry base, Haidian District, Beijing 100085

Patentee after: Yijing Zhilian (Suzhou) Technology Co.,Ltd.

Address before: 3015, 3 / F, 6 Chuangye Road, Shangdi Information Industry base, Haidian District, Beijing 100085

Patentee before: Yijing Zhilian (Beijing) Technology Co.,Ltd.