CN113807260B - 数据处理方法、装置、电子设备和存储介质 - Google Patents
数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113807260B CN113807260B CN202111096067.6A CN202111096067A CN113807260B CN 113807260 B CN113807260 B CN 113807260B CN 202111096067 A CN202111096067 A CN 202111096067A CN 113807260 B CN113807260 B CN 113807260B
- Authority
- CN
- China
- Prior art keywords
- target
- object set
- objects
- area
- vector
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种数据处理方法,涉及人工智能技术领域,尤其涉及大数据处理和深度学习技术领域。具体实现方案为:根据预定对象集合的特征,确定针对目标区域的目标对象集合参数;预定对象集合包括处于目标区域的目标对象集合和处于预定区域的目标对象集合;根据目标对象集合参数调整第一映射关系,得到第二映射关系;第一映射关系用于根据处于预定区域的目标对象集合中目标对象的数量计算处于预定区域的对象的数量;根据第二映射关系和处于目标区域的目标对象集合中目标对象的数量,确定处于目标区域的对象的数量。本公开还提供了一种数据处理装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及大数据处理和深度学习技术领域。更具体地,本公开提供了一种数据处理方法、装置、电子设备和存储介质。
背景技术
相关技术中,可以根据具有确定边界的预定区域内的对象的数量,预测另一具有确定边界的预定区域内的对象的数量。其中,对象可以是人、车辆、智能终端等等。
发明内容
本公开提供了一种数据处理方法、装置、电子设备、存储介质及计算机程序产品。
根据第一方面,提供了一种数据处理方法,该方法包括:根据预定对象集合的特征,确定针对目标区域的目标对象集合参数;上述预定对象集合包括处于上述目标区域的目标对象集合和处于预定区域的目标对象集合;根据上述目标对象集合参数调整第一映射关系,得到第二映射关系;上述第一映射关系用于根据处于上述预定区域的目标对象集合中目标对象的数量计算处于上述预定区域的对象的数量;根据上述第二映射关系和处于上述目标区域的目标对象集合中目标对象的数量,确定处于上述目标区域的对象的数量。
根据第二方面,提供了一种数据处理装置,该装置包括:第一确定模块,用于根据预定对象集合的特征,确定针对目标区域的目标对象集合参数;上述预定对象集合包括处于上述目标区域的目标对象集合和处于预定区域的目标对象集合;调整模块,用于根据上述目标对象集合参数调整第一映射关系,得到第二映射关系;上述第一映射关系用于根据处于上述预定区域的目标对象集合中目标对象的数量计算处于上述预定区域的对象的数量;第二确定模块,用于根据上述第二映射关系和处于上述目标区域的目标对象集合中目标对象的数量,确定处于上述目标区域的对象的数量。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例的可以应用数据处理方法和装置的示例性系统架构示意图;
图2是根据本公开的一个实施例的数据处理方法的流程示意图;
图3是根据本公开的一个实施例的数据处理方法的流程示意图;
图4是根据本公开的一个实施例的数据处理方法的原理图;
图5是根据本公开的一个实施例的数据处理装置的结构框图;以及
图6是用来实施本公开一个实施例的数据处理方法和装置的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术中,获取目标区域中对象数量的真实值或者接近真实值的预测值,主要有以下方式。
例如,针对有确定边界(比如围墙等)的区域,例如游乐园、博物馆、公共停车场等需要凭门票或证件进出的区域,可以根据相关管理机构统计的数据获取某时段内该区域中对象(比如人或车辆)的数量的真实值。但是,对于在地图上指定的无确定边界的区域,例如根据多个经纬度坐标确定的区域,相关管理机构通常无法获取该无确定边界的区域中对象数量的真实值。
又例如,针对无确定边界的区域,可以利用深度学习技术进行对象数量统计。比如,基于训练好的深度学习模型,可以识别该区域中摄像头获取的图像中对象的数量,从而获取该区域中对象数量的一个预测值。但是,训练深度学习模型需要大量的标注数据,成本较高。
又例如,针对无确定边界的区域,可以根据提供网络服务的运营商的线上打点数据获取该区域中对象的数量。其中,线上打点数据例如可以在用户使用运营商提供的网络服务后产生。但是,提供网络服务的运营商有多家,整合多家运营商的数据需要较高的成本。而且,该区域中也可以存在一些不使用网络服务的对象。与该区域中对象数量的真实值相比,根据线上打点数据获取的对象数量的预测值很不准确。
基于此,本公开旨在提供一种数据处理方法,以提高无确定边界的区域中对象数量的预测精度。
图1是根据本公开一个实施例的可以应用数据处理方法和装置的示例性系统架构示意图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括多个终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101通过网络102与服务器103进行交互,以接收或发送消息等。终端设备101可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
本公开实施例所提供的数据处理方法一般可以由服务器103执行。相应地,本公开实施例所提供的数据处理装置一般可以设置于服务器103中。本公开实施例所提供的数据处理方法也可以由不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群执行。相应地,本公开实施例所提供的数据处理装置也可以设置于不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群中。
图2是根据本公开的一个实施例的数据处理方法的流程示意图。
如图2所示,该方法200可以包括操作S210~操作S230。
在操作S210,根据预定对象集合的特征,确定针对目标区域的目标对象集合参数。
在本公开实施例中,目标区域可以是具有任意形状的虚拟边界的区域。
例如,可以在电子地图上图选出一个区域作为目标区域。又例如,可以设定若干个经纬度坐标,根据该若干个经纬度坐标确定出一个目标区域。
在本公开实施例中,预定区域可以是具有确定边界的区域。
例如,预定区域可以是游乐园所在区域、停车场所在区域。确定边界可以由预定区域的护栏或者围墙来体现。
在本公开实施例中,对象可以是人、车辆、上述终端设备等等。
在本公开实施例中,目标对象可以是能够使用网络服务的对象。
例如,目标对象可以是区域内通过应用程序使用网络服务的人。又例如,目标对象可以是区域内使用网络服务的车辆。该车辆使用网络服务以获取定位信息。又例如,目标对象可以是区域内使用网络服务的终端,该终端在使用网络服务的过程中,获取并上传了定位信息。
在本公开实施例中,预定对象集合包括处于目标区域的目标对象集合和处于预定区域的目标对象集合。
例如,预定对象集合中包含的目标对象可以是通过某应用程序使用网络服务的全部人,相应地,处于目标区域的目标对象集合可以是在目标区域通过该应用程序使用网络服务的用户。又例如,预定对象集合中包含的目标对象可以是某品牌的全部车辆,则处于目标区域的目标对象集合可以是目标区域中该品牌的全部车辆。又例如,预定对象集合中包含的目标对象可以是使用网络服务的全部车辆,则处于目标区域的目标对象集合可以是在目标区域中使用网络服务的全部车辆。
在本公开实施例中,预定对象集合的特征包括N个特征。
例如,预定对象集合中,处于目标区域的目标对象集合包括该N个特征,且处于预定区域的目标对象集合也包括该N个特征。
在本公开实施例中,预定对象集合的特征可以包括:第一时段特征、第二时段特征和第三时段特征。
例如,第一时段特征可以是0~18年,第二时段特征可以是18~50年,第三时段特征可以是50年以上。又例如,在对象为车辆时,第一时段特征可以是0~3年,第二时段特征可以是3~5年,第三时段特征可以是5~10年。
在本公开实施例中,目标对象集合参数可以是目标群体指数(Target GroupIndex)。
在本公开实施例中,可以根据处于目标区域的目标对象集合中具有第i个特征的目标对象的数量与处于目标区域的目标对象集合中目标对象的总数,计算第i个第一比值;i=1,……,N。
例如,根据预定对象集合的N个特征,可以计算得到N个第一比值。
又例如,可以通过以下等式计算第i个第一比值。
为处于目标区域的目标对象集合中具有第i个特征的目标对象的数量,为处于目标区域的目标对象集合中目标对象的总数,Ri1为第i个第一比值。在一个示例中,在目标区域中,具有第一时段特征(0~3年)的车辆数量为60,车辆的总数为600,那么第一比值为0.1。
在本公开实施例中,可以根据预定对象集合中具有第i个特征的目标对象的数量与预定对象集合中目标对象的总数,计算第i个第二比值。
例如,根据预定对象集合的N个特征,可以计算得到N个第二比值。
又例如,可以通过以下等式计算第i个第二比值。
为预定对象集合中具有第i个特征的目标对象的数量,为预定对象集合中目标对象的总数,Ri2为第i个第二比值。在一个示例中,在预定对象集合中,具有第一时段特征(0~3年)的车辆数量为400,车辆的总数为5000,那么第二比值为0.08。第一时段特征(0~3年)可以是车辆的出厂时长,比如车辆出厂1年,可以认为该车辆具有第一时段特征。
应该理解,上述车辆可以使用网络服务。
在本公开实施例中,可以根据第i个第一比值和第i个第二比值,计算针对目标区域的第i个目标对象集合参数。
例如,可以通过以下等式计算针对目标区域的第i个目标对象集合参数。
其中,Ri为第i个目标对象集合参数。在一个示例中,第一比值为0.1,第二比值为0.08,第i个目标对象集合参数为125。
在操作S220,根据目标对象集合参数调整第一映射关系,得到第二映射关系。
在本公开实施例中,第一映射关系用于根据处于预定区域的目标对象集合中目标对象的数量计算处于预定区域的对象的数量。
例如,在第一映射关系为线性函数的情况下,可以根据目标对象集合参数调整该线性函数的斜率和截距,以得到第二映射关系。
在操作S230,根据第二映射关系和处于目标区域的目标对象集合中目标对象的数量,确定处于目标区域的对象的数量。
在本公开实施例中,处于目标区域的对象的数量可以为预测值。
例如,在第一映射关系为线性函数的情况下,第二映射关系也可以为线性函数。将处于目标区域的目标对象集合中目标对象的数量作为自变量,则根据第二映射关系得到的因变量为处于目标区域的对象的数量。
例如,在t时刻,在需要确定目标区域中对象的数量时,在目标区域中,目标对象的数量可以是t时刻之前的一个时段内目标对象的数量的平均值。在一个示例中,在需要确定某日中目标区域中对象的数量时,可以获取之前30日内该目标区域中目标对象的数量的平均值。同时,也可以获取之前30日该目标区域中具有某个特征的目标对象的数量的平均值。在一个示例中,处于目标区域的目标对象集合中目标对象的数量可以是通过某应用程序使用网络服务的人数,处于目标区域的对象的数量可以是该目标区域中全部人数的预测值。
例如,在t时刻,在需要确定目标区域中对象的数量时,预定对象集合中目标对象的数量可以视为一个恒定值,以及预定对象集合中具有第i个特征的目标对象的数量也可视为一个恒定值。又例如,在t时刻,需要确定目标区域中对象的数量,预定对象集合中目标对象的数量也可以是t时刻之前的一个时段内目标对象的数量的平均值。在一个示例中,在需要确定某日中目标区域中对象的数量时,可以获取之前30日内通过某应用程序使用网络服务的人数的平均值。同时,也可以获取之前30日通过某应用程序使用网络服务的人中具有某个特征的人数的平均值。
需要说明的是,本公开实施例中的对象的数量或目标对象的数量可以无需反映某一特定对象的信息。
本公开实施例的方法,借鉴了迁移学习的思想,可以根据预定区域中对象的数量,预测目标区域中对象的数量。再者,该实施例的方法充分考虑了不同区域中对象所存在的不同特征,可以得到更加准确的处于目标区域的对象的数量。该实施例的方法尤其可以根据一个预定区域内已知的人数,准确地预测另一个区域内人数。例如,将某游乐园作为目标区域,某天0-24时目标区域中目标对象(通过某应用程序使用网络服务的人)的数量为2613,根据上述方法200得到目标区域中对象(全部人)的数量为14646。而根据游乐园管理机构的统计数据,游乐园中对象的数量为14812。又例如,应用该方法200一段时间后,得到的均方误差(Mean Square Error,MSE)为0.0177,平均绝对误差(Mean Absolute Error,MAE)为0.0995。
另外,本公开实施例中数据处理方法的实施不需要额外增加其他硬件设备,人工参与度低,成本较低,应用区域不受限制,鲁棒性更强。
图3是根据本公开的另一个实施例的数据处理方法的流程示意图。
如图3所示,该方法可以根据目标对象集合参数调整第一映射关系,得到第二映射关系,下面将根据操作S321~操作S324进行详细说明。
在操作S321,根据针对目标区域的N个目标对象集合参数,得到第一向量。
在本公开实施例中,第一向量包括N个维度,N个维度与针对目标区域的N个目标对象集合参数一一对应。
例如,可以根据预定对象集合的N个特征,得到针对目标区域的N个目标对象集合参数。将N个目标对象集合参数作为向量的N个维度,即得到第一向量。
在操作S322,分别计算第一向量与多个第二向量之间的相似度。
在本公开实施例中,多个第二向量是根据针对每个预定区域的N个目标对象集合参数得到的。
在本公开实施例中,预定区域包括多个预定区域。
例如,预定区域可以是多个游乐园、停车场、博物馆等等。
在本公开实施例中,每个第二向量包括N个维度,N个维度与针对每个预定区域的N个目标对象集合参数一一对应。
例如,针对一个预定区域,可以根据预定对象集合的N个特征,得到针对该预定区域的N个目标对象集合参数。将该N个目标对象集合参数作为向量的N个维度,即得到第二向量。采用类似的方式,可以得到针对其他预定区域的第二向量。
又例如,可以分别计算第一向量与多个第二向量之间的余弦相似度。
在操作S323,将与第一向量相似度最大的第二向量作为目标向量,计算第一向量与目标向量之间的差。
例如,某个第二向量将与第一向量的相似度越大,表明该第二向量所对应的预定区域中对象的特征与目标区域中对象的特征越接近。
又例如,预定对象集合包括3个特征,分别为第一时刻特征、第二时刻特征和第三时刻特征。在一个示例中,第一向量(TGI1)为目标向量(TGIT)为 为针对目标区域的目标对象集合参数,是分别根据处于目标区域的目标对象集合的第一时段特征、第二时段特征和第三时段特征得到的。第一向量是分别将作为向量的一个维度得到的。为针对某个预定区域的目标对象集合参数,是分别根据处于该预定区域的目标对象集合的第一时段特征、第二时段特征和第三时段特征得到的。目标向量是从多个第二向量中选出的,而第二向量是分别将作为向量的一个维度得到的。
在操作S324,根据第一向量与目标向量的差,调整第一映射关系,得到第二映射关系。
在本公开实施例中,第一映射关系通过以下操作获取:将样本数据输入目标拟合模型,得到第一映射关系。其中,样本数据包括针对多个预定区域的数据,针对多个预定区域的数据包括每个预定区域中目标对象集合中目标对象的数量、每个预定区域中对象的数量以及针对每个预定区域的N个目标对象集合参数。
例如,目标拟合模型可以是训练好的深度神经网络(Deep neural network,DNN)模型。
又例如,目标拟合模型可以通过以下操作获取:将样本数据划分为训练集和测试集;将训练集输入初始拟合模型,得到初始映射关系;根据初始映射关系和测试集,训练初始拟合模型,以得到目标拟合模型。
在本公开实施例中,第一映射关系可以实现为:
Y=W*X+b (4)
其中,Y为处于预定区域的对象的数量,X为处于预定区域的目标对象集合中目标对象的数量,W为第一映射关系的斜率,b为第一映射关系的截距。
例如,W和b是将多个预定区域的数据输入目标拟合模型进行拟合后得到的。
在本公开实施例中,第二映射关系可以实现为:
Y′=W*X′+b2 (5)
其中,W为第一映射关系的斜率,b2为第二映射关系的截距,通过以下等式确定b2:
b2=γ*|tgis-tgim+tgil|+b (6)
其中,γ为预设参数,Y′为处于目标区域的对象的数量,X′为处于目标区域的目标对象集合中目标对象的数量。在一个示例中,γ=105。在一个示例中,目标区域的对象为人时,第一时段特征可以是0~18年,第二时段特征可以是18~50年,第三时段特征可以是50年以上。
图4是根据本公开的一个实施例的数据处理方法的原理图。
如图4所示,可以根据处于目标区域的目标对象的数量401和处于目标区域的具有第一时段特征的目标对象的数量4021,计算出第1个第一比值4051。也可以根据处于目标区域的目标对象的数量401和处于目标区域的具有第二时段特征的目标对象的数量4022,计算出第2个第一比值4052。还可以根据处于目标区域的目标对象的数量401和处于目标区域的具有第三时段特征的目标对象的数量4023,计算出第3个第一比值4053。
可以根据预定对象集合中目标对象的数量403和预定对象集合中具有第一特征的目标对象的数量4041,计算出第1个第二比值4061。也可以根据预定对象集合中目标对象的数量403和预定对象集合中具有第二特征的目标对象的数量4042,计算出第2个第二比值4062。还可以根据预定对象集合中目标对象的数量403和预定对象集合中具有第三特征的目标对象的数量4043,计算出第3个第二比值4063。
接下来,可以根据第1个第一比值4051和第1个第二比值4061,计算第1个目标对象集合参数4071。也可以根据第2个第一比值4052和第2个第二比值4062,计算第2个目标对象集合参数4072。还可以根据第3个第一比值4053和第3个第二比值4063,计算第3个目标对象集合参数4073。
再将第1个目标对象集合参数4071、第2个目标对象集合参数4072以及第3个目标对象集合参数4073分别作为第一向量408的3个维度的数据。根据类似的方式,可以获取与每个预定区域对应的多个第二向量409。
计算第一向量408和多个第二向量409之间的多个相似度410。根据多个相似度410和多个第二向量409,选择与第一向量408相似度最大的第二向量作为目标向量411。对第一向量408和目标向量411执行减法运算,得到第一向量和目标向量的差412。根据第一向量和目标向量的差412调整第一映射关系413,得到第二映射关系414。
根据第二映射关系414和处于目标区域的目标对象的数量401,计算出处于目标区域的对象的数量415。
图5是根据本公开的一个实施例的数据处理装置的结构框图。
如图5所示,该装置500可以包括第一确定模块510,调整模块520以及第二确定模块530。
第一确定模块510用于根据预定对象集合的特征,确定针对目标区域的目标对象集合参数。其中,上述预定对象集合包括处于上述目标区域的目标对象集合和处于预定区域的目标对象集合。在本公开实施例中,第一确定模块510可以执行上述操作S210,本公开不再赘述。
调整模块520用于根据上述目标对象集合参数调整第一映射关系,得到第二映射关系。其中,上述第一映射关系用于根据处于上述预定区域的目标对象集合中目标对象的数量计算处于上述预定区域的对象的数量。在本公开实施例中,调整模块520可以执行上述操作S220,本公开不再赘述。
第二确定模块530用于根据上述第二映射关系和处于上述目标区域的目标对象集合中目标对象的数量,确定处于上述目标区域的对象的数量。在本公开实施例中,第二确定模块530可以执行上述操作S230,本公开不再赘述。
在一些实施例中,上述预定对象集合的特征包括上述N个特征。上述第一确定模块包括:第一计算单元,用于根据处于上述目标区域的目标对象集合中具有第i个特征的目标对象的数量与处于上述目标区域的目标对象集合中目标对象的数量,计算第i个第一比值;i=1,......,N;第二计算单元,用于根据上述预定对象集合中具有上述第i个特征的目标对象的数量与上述预定对象集合中目标对象的数量,计算第i个第二比值;第三计算单元,用于根据上述第i个第一比值和上述第i个第二比值,计算针对上述目标区域的第i个目标对象集合参数。
在一些实施例中,上述预定区域包括多个预定区域。上述调整模块包括:第一获得单元,用于根据针对上述目标区域的N个目标对象集合参数,得到第一向量;上述第一向量包括N个维度,上述N个维度与针对上述目标区域的N个目标对象集合参数一一对应;第四计算单元,用于分别计算上述第一向量与多个第二向量之间的相似度;多个上述第二向量是根据针对每个预定区域的N个目标对象集合参数得到的;每个第二向量包括N个维度,上述N个维度与针对上述每个预定区域的N个目标对象集合参数一一对应;第五计算单元,用于将与上述第一向量相似度最大的第二向量作为目标向量,计算上述第一向量与上述目标向量之间的差;
调整单元,用于根据上述第一向量与上述目标向量的差,调整上述第一映射关系,得到上述第二映射关系。
在一些实施例中,上述第一映射关系通过以下模块获取:获得模块,用于将样本数据输入目标拟合模型,得到上述第一映射关系。其中,上述样本数据包括针对上述多个预定区域的数据,上述针对多个预定区域的数据包括:每个预定区域中目标对象集合中目标对象的数量、每个预定区域中对象的数量以及上述针对每个预定区域的N个目标对象集合参数。
在一些实施例中,上述目标拟合模型通过以下单元获取:划分单元,用于将样本数据划分为训练集和测试集;第二获得单元,用于将训练集输入初始拟合模型,得到初始映射关系;训练单元,用于根据上述初始映射关系和上述测试集,训练上述初始拟合模型,以得到目标拟合模型。
在一些实施例中,上述第一映射关系实现为:Y=W*X+b,其中,Y为处于上述预定区域的对象的数量,X为处于上述预定区域的目标对象集合中目标对象的数量,W为上述第一映射关系的斜率,b为上述第一映射关系的截距。
在一些实施例中,上述预定对象集合的特征包括:第一时段特征、第二时段特征和第三时段特征。上述第二映射关系实现为:Y′=W*X′+b2,其中,W为上述第一映射关系的斜率,b2为第二映射关系的截距,通过以下等式确定b2:b2=γ*|tgis-tgim+tgil|+b,其中,tgis,tgim,tgil分别为上述第一向量与上述目标向量的差中三个维度的数据,分别与第一时段特征、第二时段特征及第三时段特征对应;γ为预设参数,b为上述第一映射关系的截距;Y′为处于上述目标区域的对象的数量,X′为处于上述目标区域的目标对象集合中目标对象的数量。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种数据处理方法,包括:
根据预定对象集合的特征,确定针对目标区域的目标对象集合参数;所述预定对象集合包括处于所述目标区域的目标对象集合和处于预定区域的目标对象集合;
根据所述目标对象集合参数调整第一映射关系,得到第二映射关系;所述第一映射关系用于根据处于所述预定区域的目标对象集合中目标对象的数量计算处于所述预定区域的对象的数量;
根据所述第二映射关系和处于所述目标区域的目标对象集合中目标对象的数量,确定处于所述目标区域的对象的数量。
2.根据权利要求1所述的方法,其中,所述预定对象集合的特征包括N个特征;
所述根据预定对象集合的特征,确定针对目标区域的目标对象集合参数包括:
根据处于所述目标区域的目标对象集合中具有第i个特征的目标对象的数量与处于所述目标区域的目标对象集合中目标对象的数量,计算第i个第一比值;i=1,......,N;
根据所述预定对象集合中具有所述第i个特征的目标对象的数量与所述预定对象集合中目标对象的数量,计算第i个第二比值;
根据所述第i个第一比值和所述第i个第二比值,计算针对所述目标区域的第i个目标对象集合参数。
3.根据权利要求2所述的方法,其中,所述预定区域包括多个预定区域;所述根据所述目标对象集合参数调整第一映射关系,得到第二映射关系包括:
根据针对所述目标区域的N个目标对象集合参数,得到第一向量;所述第一向量包括N个维度,所述N个维度与针对所述目标区域的N个目标对象集合参数一一对应;
分别计算所述第一向量与多个第二向量之间的相似度;多个所述第二向量是根据针对每个预定区域的N个目标对象集合参数得到的;每个第二向量包括N个维度,所述N个维度与针对所述每个预定区域的N个目标对象集合参数一一对应;
将与所述第一向量相似度最大的第二向量作为目标向量,计算所述第一向量与所述目标向量之间的差;
根据所述第一向量与所述目标向量的差,调整所述第一映射关系,得到所述第二映射关系。
4.根据权利要求3所述的方法,其中,所述第一映射关系通过以下操作获取:
将样本数据输入目标拟合模型,得到所述第一映射关系;
其中,所述样本数据包括针对所述多个预定区域的数据,所述针对多个预定区域的数据包括:每个预定区域中目标对象集合中目标对象的数量、每个预定区域中对象的数量以及所述针对每个预定区域的N个目标对象集合参数。
5.根据权利要求4所述的方法,其中,所述目标拟合模型通过以下操作获取:
将样本数据划分为训练集和测试集;
将训练集输入初始拟合模型,得到初始映射关系;
根据所述初始映射关系和所述测试集,训练所述初始拟合模型,以得到目标拟合模型。
6.根据权利要求1所述的方法,其中,所述第一映射关系实现为:
Y=W*X+b
其中,Y为处于所述预定区域的对象的数量,X为处于所述预定区域的目标对象集合中目标对象的数量,W为所述第一映射关系的斜率,b为所述第一映射关系的截距。
7.根据权利要求3所述的方法,其中,所述预定对象集合的特征包括:第一时段特征、第二时段特征和第三时段特征;
所述第二映射关系实现为:
Y′=W*X′+b2
其中,W为所述第一映射关系的斜率,b2为第二映射关系的截距,通过以下等式确定b2:
b2=γ*|tgis-tgim+tgil|+b
其中,tgis,tgim,tgil分别为所述第一向量与所述目标向量的差中三个维度的数据,分别与第一时段特征、第二时段特征及第三时段特征对应;γ为预设参数,b为所述第一映射关系的截距;Y′为处于所述目标区域的对象的数量,X′为处于所述目标区域的目标对象集合中目标对象的数量。
8.一种数据处理装置,包括:
第一确定模块,用于根据预定对象集合的特征,确定针对目标区域的目标对象集合参数;所述预定对象集合包括处于所述目标区域的目标对象集合和处于预定区域的目标对象集合;
调整模块,用于根据所述目标对象集合参数调整第一映射关系,得到第二映射关系;所述第一映射关系用于根据处于所述预定区域的目标对象集合中目标对象的数量计算处于所述预定区域的对象的数量;
第二确定模块,用于根据所述第二映射关系和处于所述目标区域的目标对象集合中目标对象的数量,确定处于所述目标区域的对象的数量。
9.根据权利要求8所述的装置,其中,所述预定对象集合的特征包括N个特征;
所述第一确定模块包括:
第一计算单元,用于根据处于所述目标区域的目标对象集合中具有第i个特征的目标对象的数量与处于所述目标区域的目标对象集合中目标对象的数量,计算第i个第一比值;i=1,......,N;
第二计算单元,用于根据所述预定对象集合中具有所述第i个特征的目标对象的数量与所述预定对象集合中目标对象的数量,计算第i个第二比值;
第三计算单元,用于根据所述第i个第一比值和所述第i个第二比值,计算针对所述目标区域的第i个目标对象集合参数。
10.根据权利要求9所述的装置,其中,所述预定区域包括多个预定区域;所述调整模块包括:
第一获得单元,用于根据针对所述目标区域的N个目标对象集合参数,得到第一向量;所述第一向量包括N个维度,所述N个维度与针对所述目标区域的N个目标对象集合参数一一对应;
第四计算单元,用于分别计算所述第一向量与多个第二向量之间的相似度;多个所述第二向量是根据针对每个预定区域的N个目标对象集合参数得到的;每个第二向量包括N个维度,所述N个维度与针对所述每个预定区域的N个目标对象集合参数一一对应;
第五计算单元,用于将与所述第一向量相似度最大的第二向量作为目标向量,计算所述第一向量与所述目标向量之间的差;
调整单元,用于根据所述第一向量与所述目标向量的差,调整所述第一映射关系,得到所述第二映射关系。
11.根据权利要求10所述的装置,其中,所述第一映射关系通过以下模块获取:
获得模块,用于将样本数据输入目标拟合模型,得到所述第一映射关系;
其中,所述样本数据包括针对所述多个预定区域的数据,所述针对多个预定区域的数据包括:每个预定区域中目标对象集合中目标对象的数量、每个预定区域中对象的数量以及所述针对每个预定区域的N个目标对象集合参数。
12.根据权利要求11所述的装置,其中,所述目标拟合模型通过以下单元获取:
划分单元,用于将样本数据划分为训练集和测试集;
第二获得单元,用于将训练集输入初始拟合模型,得到初始映射关系;
训练单元,用于根据所述初始映射关系和所述测试集,训练所述初始拟合模型,以得到目标拟合模型。
13.根据权利要求8所述的装置,其中,所述第一映射关系实现为:
Y=W*X+b
其中,Y为处于所述预定区域的对象的数量,X为处于所述预定区域的目标对象集合中目标对象的数量,W为所述第一映射关系的斜率,b为所述第一映射关系的截距。
14.根据权利要求10所述的装置,其中,所述预定对象集合的特征包括:第一时段特征、第二时段特征和第三时段特征;
所述第二映射关系实现为:
Y′=W*X′+b2
其中,W为所述第一映射关系的斜率,b2为第二映射关系的截距,通过以下等式确定b2:
b2=γ*|tgis-tgim+tgil|+b
其中,tgis,tgim,tgil分别为所述第一向量与所述目标向量的差中三个维度的数据,分别与第一时段特征、第二时段特征及第三时段特征对应;γ为预设参数,b为所述第一映射关系的截距;Y′为处于所述目标区域的对象的数量,X′为处于所述目标区域的目标对象集合中目标对象的数量。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111096067.6A CN113807260B (zh) | 2021-09-17 | 2021-09-17 | 数据处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111096067.6A CN113807260B (zh) | 2021-09-17 | 2021-09-17 | 数据处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807260A CN113807260A (zh) | 2021-12-17 |
CN113807260B true CN113807260B (zh) | 2022-07-12 |
Family
ID=78895889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111096067.6A Active CN113807260B (zh) | 2021-09-17 | 2021-09-17 | 数据处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807260B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008729A (zh) * | 2019-11-06 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
CN111382334A (zh) * | 2020-03-11 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机以及可读存储介质 |
CN111629336A (zh) * | 2020-06-05 | 2020-09-04 | 腾讯科技(深圳)有限公司 | 一种目标区域内人数确定方法、装置、设备及存储介质 |
CN111723730A (zh) * | 2020-06-18 | 2020-09-29 | 中国银行股份有限公司 | 对目标对象的数量进行预测的方法及相关设备 |
WO2021031954A1 (zh) * | 2019-08-20 | 2021-02-25 | 北京海益同展信息科技有限公司 | 对象数量确定方法、装置、存储介质与电子设备 |
CN112560829A (zh) * | 2021-02-25 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 人群数量确定方法、装置、设备及存储介质 |
-
2021
- 2021-09-17 CN CN202111096067.6A patent/CN113807260B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031954A1 (zh) * | 2019-08-20 | 2021-02-25 | 北京海益同展信息科技有限公司 | 对象数量确定方法、装置、存储介质与电子设备 |
CN111008729A (zh) * | 2019-11-06 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
CN111382334A (zh) * | 2020-03-11 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机以及可读存储介质 |
CN111629336A (zh) * | 2020-06-05 | 2020-09-04 | 腾讯科技(深圳)有限公司 | 一种目标区域内人数确定方法、装置、设备及存储介质 |
CN111723730A (zh) * | 2020-06-18 | 2020-09-29 | 中国银行股份有限公司 | 对目标对象的数量进行预测的方法及相关设备 |
CN112560829A (zh) * | 2021-02-25 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 人群数量确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113807260A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
CN113343982A (zh) | 多模态特征融合的实体关系提取方法、装置和设备 | |
EP4123595A2 (en) | Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium | |
CN112861885A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113705362A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN113902010A (zh) | 分类模型的训练方法和图像分类方法、装置、设备和介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114693351A (zh) | 信息预测方法、装置以及电子设备 | |
CN116798592B (zh) | 设施布设位置的确定方法、装置、设备及存储介质 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
US20180089774A1 (en) | Method for automatic property valuation | |
CN113807260B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
US20220164723A1 (en) | Method for determining boarding information, electronic device, and storage medium | |
CN114997673A (zh) | 确定服务设施可达性的方法、装置、电子设备及存储介质 | |
CN115077539A (zh) | 一种地图生成方法、装置、设备以及存储介质 | |
CN113344200A (zh) | 用于训练可分离卷积网络的方法、路侧设备及云控平台 | |
JP7446359B2 (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
CN114647709B (zh) | 地图数据处理方法、装置、电子设备及计算机存储介质 | |
CN116958149B (zh) | 医疗模型训练方法、医疗数据分析方法、装置及相关设备 | |
CN113868532B (zh) | 一种地点推荐方法、装置、电子设备及存储介质 | |
CN112070593B (zh) | 数据处理方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |