CN113704564B - 一种空间数据处理方法及装置 - Google Patents
一种空间数据处理方法及装置 Download PDFInfo
- Publication number
- CN113704564B CN113704564B CN202111251659.0A CN202111251659A CN113704564B CN 113704564 B CN113704564 B CN 113704564B CN 202111251659 A CN202111251659 A CN 202111251659A CN 113704564 B CN113704564 B CN 113704564B
- Authority
- CN
- China
- Prior art keywords
- interest
- spatial data
- polygon
- similarity
- calculating
- 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
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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种空间数据处理方法，包括：根据数据的兴趣点数量建立兴趣多边形；设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，在所述缓存区中将空间数据名称与所述兴趣多边形建立关联关系；通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度；若是，则计算所述兴趣多边形的质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果。通过筛选相似集再进行过滤排序，得出最优结果进行融合补充，使数据可信度大大提升，降低需求数据缺失率。本申请还提供一种空间数据处理装置。
Description
技术领域
本申请涉及数据融合处理技术，尤其涉及一种空间数据处理方法。本申请还提供一种空间数据处理装置。
背景技术
多源的空间数据融合是时空数据处理的难点，多源数据融合技术是通过调查、分析，将获取到的所有信息全部综合到一起，对信息进行统一的评价最后得到统一的地质体信息。多源数据融合技术的目的是将各种不同的数据信息进行综合吸取不同数据源的特点然后从中提取出统一的，比单一数据更好、更丰富的信息。
现有技术中，对时空信息进行获取、表达、查询、特征提取、区域划分等处理分析，来获得反映地球表层分布和动态发展的地学信息。但是，现有技术通常需要采用人工标注，再由计算机进行数据的采样处理，工作量大，耗时长，且容易出错。
发明内容
为了结局上述技术中时空数据融合耗时长且容易出错的问题，本申请提供一种空间数据处理方法。本申请还提供一种空间数据处理装置。
本申请提供一种空间数据处理方法，包括：
根据数据的兴趣点数量建立兴趣多边形；
设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，在所述缓存区中将空间数据名称与所述兴趣多边形建立关联关系；
通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度；
若是，则计算所述兴趣多边形的质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果。
可选的，所述相似度范围是0~1，当所述相似度为0，则所述空间数据与所述兴趣点的属性类别完全不同，当所述相似度为1，则所述空间数据与所述兴趣点的属性类别完全相同。
可选的，所述预设阈值为0.85。
可选的，所述计算所述兴趣多边形的质心之前，还包括：
计算满足所述预设阈值的兴趣点数量，当所述兴趣点数量≤1，则所述空间数据滞空，停止计算，当所述兴趣点数量＞1，则进行质心计算。
可选的，所述兴趣多边形包括多个层级，不同层级具有不同的数据粒度。
本申请还提供一种空间数据处理装置，包括：
初始模块，用于根据数据的兴趣点数量建立兴趣多边形；
设置模块，用于设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，在所述缓存区中将空间数据名称与所述兴趣多边形建立关联关系；
计算模块，用于通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度；
筛选模块，用于当所述判断若是，计算所述兴趣多边形的质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果。
可选的，所述相似度范围是0~1，当所述相似度为0，则所述空间数据与所述兴趣点的属性类别完全不同，当所述相似度为1，则所述空间数据与所述兴趣点的属性类别完全相同。
可选的，所述预设阈值为0.85。
可选的，所述筛选模块还包括：
过滤单元，用于计算满足所述预设阈值的兴趣点数量，当所述兴趣点数量≤1，则所述空间数据滞空，停止计算，当所述兴趣点数量＞1，则进行质心计算。
可选的，所述兴趣多边形包括多个层级，不同层级具有不同的数据粒度。
本申请相较于现有技术的优点是：
本申请提供一种空间数据处理方法，包括：根据数据的兴趣点数量建立兴趣多边形；设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，在所述缓存区中将空间数据名称与所述兴趣多边形建立关联关系；通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度；若是，则计算所述兴趣多边形的质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果。通过筛选相似集再通过质心位置进行过滤排序，得出最优结果进行融合补充，使数据可信度大大提升，降低需求数据缺失率。
附图说明
图1是本申请中空间数据处理流程图。
图2是本申请中空间数据处理逻辑图。
图3是本申请中空间数据处理装置示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
本申请提供一种空间数据处理方法，包括：根据数据的兴趣点数量建立兴趣多边形；设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，在所述缓存区中将空间数据名称与所述兴趣多边形建立关联关系；通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度；若是，则计算所述兴趣多边形的质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果。通过筛选相似集再通过质心位置进行过滤排序，得出最优结果进行融合补充，使数据可信度大大提升，降低需求数据缺失率。
图1是本申请中空间数据处理流程图，图2是本申请中空间数据处理逻辑图。
请参照图1所示，S101根据数据的兴趣点数量建立兴趣多边形。
本申请中，所述兴趣多边形是指将数据的属性特征作为点，将多个所述属性特征连接成闭环形成的兴趣多边形。优选的，所述属性特征是属性名称，所述属性名称与空间数据的名称具有对应关系。
所述建立兴趣多边形是指，将空间数据的属性特征列出，形成多个属性特征集合，此时所述兴趣多边形是正兴趣多边形，该兴趣多边形的每一个兴趣点是一个属性特征。
请参照图1所示，S102设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，在所述缓存区中将空间数据名称与所述兴趣多边形建立关联关系。
所述兴趣多边形建立后，属于初始化的兴趣多边形，该兴趣多边形的每个兴趣点，也就是属性特征是在所述兴趣多边形中的地位是一样的。在此基础上，以所述兴趣多边形的中心为原点，设置一个预设半径距离的缓存区，所述缓存区用于分布所述空间数据。
请参照图2所示，优选的，本申请设置所述预设半径为70m，在所述预设半径内，输入所述空间数据，并分别规定所述兴趣多边形的每个兴趣点的方向，形成一个由多条放射性从一个原点平均切分半径为70m圆的初始化空间数据分布图，其中每个扇面都表示一个兴趣点。
根据所述空间数据的名称与所述兴趣多边形的兴趣点的属性特征，计算所述空间数据名称与所述兴趣多边形的兴趣点之间的关联关系，并将所述兴趣点分布在所述缓存区内。例如，“北京市，朝阳区”这个数据，既可分布在属性特征为地址的兴趣点中。进一步的，所述兴趣多边形包括多个层级，不同层级具有不同的数据粒度。还以“北京市，朝阳区”这个数据为例，关于地址的所述兴趣点中还可以确定“北京市”为一级层级，而所述“朝阳区”为二级层级。通过该步骤，每个空间数据都建立了和所述兴趣多边形的关联关系。优选的，本申请采用自然语言识别对所述空间数据的名称进行识别，并根据所述识别结果建立和所述兴趣多边形的关联关系。
请继续参考图1所示，S103通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度。
所述KMP算法是指字符串查找算法，可在一个字符串内查找一个词的出现位置。一个词在不匹配时本身就包含足够的信息来确定下一个匹配可能的开始位置，此算法利用这一特性以避免重新检查先前匹配的字符。
如图2所示，本申请利用所述KMP算法计算并匹配所述空间数据名称和兴趣点的相似度。在本申请中，所述相似度范围是0~1，当所述相似度为0，则所述空间数据与所述属性类别完全不同，当所述相似度为1，则所述空间数据与所述属性类别完全相同。优选的，本申请所述预设阈值为0.85。
计算满足所述预设阈值的兴趣点数量，当所述兴趣点数量＜1，则所述空间数据滞空，停止计算，当所述兴趣点数量=1，则需要补充数据，当所述兴趣点数量＞1，则进行质心计算。
当计算得到所述空间数据和所述兴趣点之间的相似度后，判断所述相似度的是否符合所述预设阈值的要求，既所述相似度是否＞所述预设阈值。
若否，则重新为所述空间数据与所述兴趣多边形建立关联关系，并计算相似度，若是，则进行下一步。
请继续参照图1所示，S104若是，则计算所述兴趣多边形的质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果。
如图2所示，通过上述步骤的处理，所述空间数据分布在所述兴趣多边形内，并且每个所述空间数据都与兴趣点计算了相似度，接下来，则根据所述相似度分别计算每个和所述兴趣点具有相似度的所述空间数据分布范围内的质心，获取所述兴趣点与所述质心的距离。
具体的，可通过如下公式计算所述质心A：
其中，所述 是数据在所述兴趣多边形中心为原点的极坐标系中的每个空间数据角度平均值，所述L是每个所述空间数据距离所述兴趣多边形的平均距离。所述n是每个兴趣点具有相似性的空间数据的个数。
所述A点是所述空间数据的每个兴趣点的质心，而每个兴趣点的位置是预先设置的，接下来计算所述质心到所述兴趣点的距离。为所述距离排序，选取所述距离最短的兴趣点作为空间数据的筛选结果。该筛选结果是所述空间数据的最优可信属性。
本申请还提供一种空间数据处理装置，包括：初始模块，设置模块，计算模块，筛选模块。
图3是本申请中空间数据处理装置示意图。
请参照图3所示，初始模块201，用于根据数据的兴趣点数量建立兴趣多边形。
本申请中，所述兴趣多边形是指将数据的属性特征作为点，将多个所述属性特征连接成闭环形成的兴趣多边形。优选的，所述属性特征是属性名称，所述属性名称与空间数据的名称具有对应关系。
所述建立兴趣多边形是指，将空间数据的属性特征列出，形成多个属性特征集合，此时所述兴趣多边形是正兴趣多边形，该兴趣多边形的每一个兴趣点是一个属性特征。
请参照图3所示，设置模块202，用于设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，在所述缓存区中将空间数据名称与所述兴趣多边形建立关联关系。
所述兴趣多边形建立后，属于初始化的兴趣多边形，该兴趣多边形的每个兴趣点，也就是属性特征是在所述兴趣多边形中的地位是一样的。在此基础上，以所述兴趣多边形的中心为原点，设置一个预设半径距离的缓存区，所述缓存区用于分布所述空间数据。
优选的，本申请设置所述预设半径为70m，在所述预设半径内，分别规定所述兴趣多边形的每个兴趣点的方向，形成一个由多条放射性从一个原点平均切分半径为70m圆的初始化空间数据分布图，其中每个扇面都表示一个兴趣点。
根据所述空间数据的名称与所述兴趣多边形的兴趣点的属性特征，计算所述空间数据名称与所述兴趣多边形的兴趣点之间的关联关系，并将所述兴趣点分布在所述缓存区内。例如，“北京市，朝阳区”这个数据，既可分布在属性特征为地址的兴趣点中。进一步的，所述兴趣多边形包括多个层级，不同层级具有不同的数据粒度。还以“北京市，朝阳区”这个数据为例，关于地址的所述兴趣点中还可以确定“北京市”为一级层级，而所述“朝阳区”为二级层级。通过该步骤，每个空间数据都建立了和所述兴趣多边形的关联关系。优选的，本申请采用自然语言识别对所述空间数据的名称进行识别，并根据所述识别结果建立和所述兴趣多边形的关联关系。
请继续参考图3所示，计算模块203，用于通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度。
所述KMP算法是指字符串查找算法，可在一个字符串内查找一个词的出现位置。一个词在不匹配时本身就包含足够的信息来确定下一个匹配可能的开始位置，此算法利用这一特性以避免重新检查先前匹配的字符。
本申请利用所述KMP算法计算并匹配所述空间数据名称和兴趣点的相似度。在本申请中，所述相似度范围是0~1，当所述相似度为0，则所述空间数据与所述属性类别完全不同，当所述相似度为1，则所述空间数据与所述属性类别完全相同。优选的，本申请所述预设阈值为0.85。
当计算得到所述空间数据和所述兴趣点之间的相似度后，判断所述相似度的是否符合所述预设阈值的要求，既所述相似度是否＞所述预设阈值。
若否，则重新为所述空间数据与所述兴趣多边形建立关联关系，并计算相似度，若是，则进行下一步。
请继续参照图3所示，筛选模块204，用于当所述判断若是，计算所述兴趣多边形的质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果。
本申请所述筛选模块还包括，过滤单元，用于在所述相识度计算之前执行：计算满足所述预设阈值的兴趣点数量，当所述兴趣点数量＜1，则所述空间数据滞空，停止计算，当所述兴趣点数量=1，则需要补充数据，当所述兴趣点数量＞1，则进行质心计算。
通过上述步骤的处理，所述空间数据分布在所述兴趣多边形内，并且每个所述空间数据都与兴趣点计算了相似度，接下来，则根据所述相似度分别计算每个和所述兴趣点具有相似度的所述空间数据分布范围内的质心，获取所述兴趣点与所述质心的距离。
具体的，可通过如下公式计算所述质心A：
其中，所述 是数据在所述兴趣多边形中心为原点的极坐标系中的每个空间数据角度平均值，所述L是每个所述空间数据距离所述兴趣多边形的平均距离。所述n是每个兴趣点具有相似性的空间数据的个数。
所述A点是所述空间数据的每个兴趣点的质心，而每个兴趣点的位置是预先设置的，接下来计算所述质心到所述兴趣点的距离。为所述距离排序，选取所述距离最短的兴趣点作为空间数据的筛选结果。该筛选结果是所述空间数据的最优可信属性。
Claims (10)
1.一种空间数据处理方法，其特征在于，包括：
根据数据的兴趣点数量建立兴趣多边形，所述兴趣多边形是将数据的属性特征作为兴趣点连接而成，所述属性特征与空间数据的名称具有对应关系，该空间数据是用来获得反映地球表层分布和动态发展的地学信息；
设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，所述缓存区用于分布空间数据，并分别规定所述兴趣多边形的每个兴趣点的方向，形成一个由多条放射性从一个原点平均切分半径为所述预设半径圆的初始化空间数据分布图，其中每个扇面都表示一个兴趣点，根据所述兴趣点的属性特征与所述空间数据的名称，计算所述空间数据名称与所述兴趣多边形的兴趣点之间的关联关系；
通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度；
若是，则计算满足所述预设阈值的兴趣点数量，当所述兴趣点数量＞1时，进行计算所述兴趣多边形的质心，所述质心为根据所述相似度分别计算每个和所述兴趣点具有相似度的所述空间数据分布范围内的每个兴趣点质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果；其中，该质心是由数据在所述兴趣多边形中心为原点的极坐标系中每个空间数据的角度平均值和每个空间数据距离所述兴趣多边形的平均距离表示。
2.根据权利要求1所述空间数据处理方法，其特征在于，所述相似度范围是0~1，当所述相似度为0，则所述空间数据与所述兴趣点的属性类别完全不同，当所述相似度为1，则所述空间数据与所述兴趣点的属性类别完全相同。
3.根据权利要求2所述空间数据处理方法，其特征在于，所述预设阈值为0.85。
4.根据权利要求3所述空间数据处理方法，其特征在于，所述计算所述兴趣多边形的质心之前，还包括：
计算满足所述预设阈值的兴趣点数量，当所述兴趣点数量＜1，则所述空间数据滞空，停止计算，当所述兴趣点数量=1，则需要补充数据。
5.根据权利要求1所述空间数据处理方法，其特征在于，所述兴趣多边形包括多个层级，不同层级具有不同的数据粒度。
6.一种空间数据处理装置，其特征在于，包括：
初始模块，用于根据数据的兴趣点数量建立兴趣多边形，所述兴趣多边形是将数据的属性特征作为兴趣点连接而成，所述属性特征与空间数据的名称具有对应关系，该空间数据是用来获得反映地球表层分布和动态发展的地学信息；
设置模块，用于设置所述兴趣多边形的中心，并以所述中心为原点设置预设半径的缓存区，所述缓存区用于分布空间数据，并分别规定所述兴趣多边形的每个兴趣点的方向，形成一个由多条放射性从一个原点平均切分半径为所述预设半径圆的初始化空间数据分布图，其中每个扇面都表示一个兴趣点，根据所述兴趣点的属性特征与所述空间数据的名称，计算所述空间数据名称与所述兴趣多边形的兴趣点之间的关联关系；
计算模块，用于通过KMP算法计算所述兴趣多边形的兴趣点与所述空间数据名称之间的相似度，并判断所述相似度是否符合预设阈值；若否，则重新建立所述关联关系，并计算所述相似度；
筛选模块，用于当所述判断若是，则计算满足所述预设阈值的兴趣点数量，当所述兴趣点数量＞1时，进行计算所述兴趣多边形的质心，所述质心为根据所述相似度分别计算每个和所述兴趣点具有相似度的所述空间数据分布范围内的每个兴趣点质心，获取所述质心与兴趣点的距离，选取所述距离最短的兴趣点作为空间数据的筛选结果；其中，该质心是由数据在所述兴趣多边形中心为原点的极坐标系中每个空间数据的角度平均值和每个空间数据距离所述兴趣多边形的平均距离表示。
7.根据权利要求6所述空间数据处理装置，其特征在于，所述相似度范围是0~1，当所述相似度为0，则所述空间数据与所述兴趣点的属性类别完全不同，当所述相似度为1，则所述空间数据与所述兴趣点的属性类别完全相同。
8.根据权利要求7所述空间数据处理装置，其特征在于，所述预设阈值为0.85。
9.根据权利要求8所述空间数据处理装置，其特征在于，所述筛选模块还包括：
过滤单元，用于计算满足所述预设阈值的兴趣点数量，当所述兴趣点数量＜1，则所述空间数据滞空，停止计算，当所述兴趣点数量=1，则需要补充数据。
10.根据权利要求6所述空间数据处理装置，其特征在于，所述兴趣多边形包括多个层级，不同层级具有不同的数据粒度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111251659.0A CN113704564B (zh) | 2021-10-27 | 2021-10-27 | 一种空间数据处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111251659.0A CN113704564B (zh) | 2021-10-27 | 2021-10-27 | 一种空间数据处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113704564A CN113704564A (zh) | 2021-11-26 |
| CN113704564B true CN113704564B (zh) | 2022-01-25 |
Family
ID=78646945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111251659.0A Active CN113704564B (zh) | 2021-10-27 | 2021-10-27 | 一种空间数据处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113704564B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202379A (zh) * | 2016-07-09 | 2016-12-07 | 兰州交通大学 | 一种基于空间场景相似性的匹配查询方法 |
| CN108242203A (zh) * | 2016-12-23 | 2018-07-03 | 中兴通讯股份有限公司 | 一种区域划分方法及装置 |
| CN110263117A (zh) * | 2019-06-25 | 2019-09-20 | 深圳市腾讯计算机系统有限公司 | 一种用于确定兴趣点poi数据的方法与装置 |
| CN110597943A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 基于人工智能的兴趣点处理方法、装置及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020061336A1 (en) * | 2018-09-20 | 2020-03-26 | Paper Crane, LLC | Automated geospatial data analysis |
-
2021
- 2021-10-27 CN CN202111251659.0A patent/CN113704564B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202379A (zh) * | 2016-07-09 | 2016-12-07 | 兰州交通大学 | 一种基于空间场景相似性的匹配查询方法 |
| CN108242203A (zh) * | 2016-12-23 | 2018-07-03 | 中兴通讯股份有限公司 | 一种区域划分方法及装置 |
| CN110263117A (zh) * | 2019-06-25 | 2019-09-20 | 深圳市腾讯计算机系统有限公司 | 一种用于确定兴趣点poi数据的方法与装置 |
| CN110597943A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 基于人工智能的兴趣点处理方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113704564A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8798357B2 (en) | Image-based localization | |
| EP3637057B1 (en) | Method, device, system and storage medium for storing and loading visual positioning map | |
| CN109710701A (zh) | 一种用于公共安全领域大数据知识图谱的自动化构建方法 | |
| CN104850633B (zh) | 一种基于手绘草图部件分割的三维模型检索系统及方法 | |
| CN110322511A (zh) | 一种基于物体和平面特征的语义slam方法和系统 | |
| CN107256230B (zh) | 一种基于多元化地理信息点的融合方法 | |
| WO2016155386A1 (zh) | 用于确定网页页面中包括兴趣点poi数据的方法及装置 | |
| CN106462624A (zh) | 基于图块的地理编码器 | |
| CN108304423A (zh) | 一种信息识别方法及装置 | |
| CN105005577A (zh) | 一种地址匹配方法 | |
| CN106960006A (zh) | 一种不同轨迹间相似度度量系统及其度量方法 | |
| US11132372B2 (en) | Method and apparatus for precise positioning of scholar based on mining of scholar's scientific research achievement | |
| CN109446207A (zh) | 一种标准地址数据库更新方法和地址匹配方法 | |
| CN106155998B (zh) | 一种数据处理方法及装置 | |
| US9529823B2 (en) | Geo-ontology extraction from entities with spatial and non-spatial attributes | |
| CN109408578A (zh) | 一种针对异构环境监测数据融合方法 | |
| CN109522335B (zh) | 一种信息获取方法、装置及计算机可读存储介质 | |
| CN103870542A (zh) | 一种基于地理分片和动态建表的海洋环境数据存储方法 | |
| CN114265833A (zh) | 车辆轨迹引导地理时空特征可视化分析平台 | |
| Zhang et al. | Topological spatial verification for instance search | |
| Meng et al. | A block object detection method based on feature fusion networks for autonomous vehicles | |
| CN106126681B (zh) | 一种增量式流式数据聚类方法及系统 | |
| CN114595302A (zh) | 空间要素的多层级空间关系构建方法、装置、介质及设备 | |
| CN104615621A (zh) | 搜索中的相关性处理方法和系统 | |
| CN113704564B (zh) | 一种空间数据处理方法及装置 |
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. |