CN113836358A - 数据处理方法、装置、电子设备及存储介质 - Google Patents
数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113836358A CN113836358A CN202111084260.8A CN202111084260A CN113836358A CN 113836358 A CN113836358 A CN 113836358A CN 202111084260 A CN202111084260 A CN 202111084260A CN 113836358 A CN113836358 A CN 113836358A
- Authority
- CN
- China
- Prior art keywords
- data
- processed
- clustering
- description
- determining
- 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
- 238000003672 processing method Methods 0.000 title abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (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、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及云计算、大数据处理等人工智能技术领域。具体实现方案为：从数据集中确定出待处理数据，并根据待处理数据，从剩余数据中确定出目标数据，待处理数据和目标数据满足预设搜索树的约束条件，待处理数据和剩余数据共同构成数据集，以及对待处理数据和目标数据进行聚类，以得到聚类结果，由此能够有效地降低数据处理的计算复杂度，有效地提升数据处理的效果，有效地提升数据处理的效率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及云计算、大数据处理等人工智能技术领域，具体涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术，以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
相关技术中，通常是对待处理数据进行全量的统计、汇总、聚类，以得到数据处理结果。
发明内容
本公开提供了一种数据处理方法、装置、电子设备、存储介质以及计算机程序产品。
根据本公开的第一方面，提供了一种数据处理方法，包括：从数据集中确定出待处理数据；根据所述待处理数据，从剩余数据中确定出目标数据，所述待处理数据和所述目标数据满足预设搜索树的约束条件，所述待处理数据和所述剩余数据共同构成所述数据集；以及对所述待处理数据和所述目标数据进行聚类，以得到聚类结果。
根据本公开的第二方面，提供了一种数据处理装置，包括：第一确定模块，用于从数据集中确定出待处理数据；第二确定模块，用于根据所述待处理数据，从剩余数据中确定出目标数据，所述待处理数据和所述目标数据满足预设搜索树的约束条件，所述待处理数据和所述剩余数据共同构成所述数据集；以及聚类模块，用于对所述待处理数据和所述目标数据进行聚类，以得到聚类结果。
根据本公开的第三方面，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本公开实施例的数据处理方法。
根据本公开的第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开实施例公开的数据处理方法。
根据本公开的第五方面，提出了一种计算机程序产品，包括计算机程序，当计算机程序由处理器执行时实现本公开实施例公开的数据处理方法。
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是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6示出了可以用来实施本公开的实施例的数据处理方法的示例电子设备的示意性框图。
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。
图1是根据本公开第一实施例的示意图。
其中，需要说明的是，本实施例的数据处理方法的执行主体为数据处理装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
本公开实施例涉及云计算、大数据处理等人工智能技术领域。
其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
云计算(Cloud Computing)是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。
而大数据处理，是指采用人工智能的方式对规模巨大的数据进行分析以及处理的过程，而大数据可以概括为5个V，数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值(Value)、真实性(Veracity)。
需要说明的是，本公开实施例中所涉及到的数据的获取，存储，处理和使用，其过程均符合相关法律法规的规定，且不违背公序良俗。
如图1所示，该数据处理方法，包括：
S101：从数据集中确定出待处理数据。
其中，多个数据构成的集合，可以被称为数据集，数据集可以例如车辆的全球定位系统(Global Positioning System，GPS)数据集，相应地，当前待对其进行处理的车辆的GPS数据可以被称为待处理数据。
该待处理数据，也可以是以GPS数据序列的形式呈现，该GPS数据序列包括多个GPS数据，各个GPS数据均可以被称为待处理数据，该GPS数据序列可以是从上述GPS数据集中采样得到的，对此不做限制。
也即是说，本公开实施例的应用场景可以例如为：对车辆的GPS数据集中的车辆GPS数据进行处理，以获得相应的处理结果，该处理结果可以用于描述某一热点路段的信息(例如位置信息、拥堵时间信息等，对此不做限制)。
本公开实施例下述的描述说明可以以上述应用场景进行示例，另外，本公开实施例也可以应用在其他任意可能的数据处理(例如，数据聚类、数据汇总等)的应用场景中，对此不做限制。
其中，从数据集中确定出待处理数据，可以是从数据集中随机选择部分数据，并将其作为待处理数据，还可以是将数据集中的指定的数据作为待处理数据，对此不做限制。
在上述应用场景中，车辆的GPS数据集中的数据可以具有对应的时间信息，即车辆的GPS数据集可以是车辆随着时间变化而产生的一系列带有时间信息的位置序列。
相应地，本实施例中，从数据集中确定出待处理数据，可以例如是从车辆的GPS数据集中选取某一时间段的车辆的GPS数据，并将其作为待处理数据。
本公开实施例中，待处理数据的获取过程，均符合相关法律法规的规定，且不违背公序良俗。
需要说明的是，上述待处理数据并不是针对某一特定用户获取的数据，并不能反映某一特定用户的个人信息。
S102：根据待处理数据，从剩余数据中确定出目标数据，待处理数据和目标数据满足预设搜索树的约束条件，待处理数据和剩余数据共同构成数据集。
上述在从数据集中确定出待处理数据后，可以根据待处理数据，从剩余数据中确定出目标数据。
其中，数据集中除待处理数据之外的数据，可以被称为剩余数据，即剩余数据和待处理数据共同构成数据集。
其中，预先构建的搜索树可以被称为预设搜索树(预设搜索树可以具体例如为K维搜索树(K-Dimensional Tree，KD树)，对此不做限制)，预设搜索树可以是根据数据集中的多个数据预先构建的，预设搜索树可以具有相应的约束条件，该约束条件可以具体例如为预设搜索树的多个数据之间特征维度的约束条件，空间约束条件，主体约束条件等，对此不做限制。
其中，KD树本质上属于一种二元搜索树，通过超平面对数据的各维度进行划分，获取划分后的若干子空间，在子空间上进行数据搜索，降低了计算相邻点所需要的时间。
其中，待处理数据和目标数据满足预设搜索树的约束条件，可以根据实际业务场景的业务需求自适应配置相应的约束条件，对此不做限制。
本实施例中，可以预先根据车辆的GPS数据集构建KD树，相应地，KD树所描述的待处理数据和目标数据之间的约束条件，可以具体例如是车辆相关的多个GPS数据的位置维度的约束条件，或者是车辆相关的多个GPS数据的时间维度的约束条件等，或者，也可能是车辆相关的多个GPS数据的其他任意可能维度(例如，语义特征维度、所属主体相似性维度等等)的约束条件，对此不做限制。
也即是说，本实施例中，根据待处理数据，从剩余数据中确定出目标数据，可以是根据待处理数据，从车辆的GPS数据集的剩余数据中，分别确定满足车辆相关的多个GPS数据的位置维度的约束条件，和满足车辆相关的多个GPS数据的时间维度的约束条件的多个车辆的GPS数据，并将前述确定的多个车辆的GPS数据共同作为目标数据，对此不做限制。
本公开实施例中，当在上述应用场景中时，通过从车辆的GPS数据集的剩余数据中，分别确定满足车辆相关的多个GPS数据的多个维度约束条件的目标数据，即可以获取初步的热点路段判断结果，从而可以在后续的数据处理过程中，有效地减少数据计算量，从而有效地提升数据处理的效率。
S103：对待处理数据和目标数据进行聚类，以得到聚类结果。
上述在根据待处理，从剩余数据中确定出目标数据后，可以对待处理数据和目标数据进行聚类处理，以得到相应的处理结果，该结果即可以被称为聚类结果。
一些实施例中，对待处理数据和目标数据进行聚类，可以是采取相应的聚类算法，例如无监督聚类算法(K-means聚类算法)、具有噪声的基于密度的聚类(Density BasedSpatial Clustering Of Applications With Noise,DBSCAN)算法等对待处理数据和目标数据进行聚类，以得到聚类结果。
或者，也可以采用其它任意可能的方式，对待处理数据和目标数据进行聚类，以得到聚类结果，例如划分法，层次法等，对此不做限制。
本公开实施例中，可以采用DBSCAN算法对待处理数据和目标数据进行聚类，以得到聚类结果，DBSCAN算法是基于密度的聚类算法，密度聚类算法一般是建立在类别可通过样本分布紧密程度的基础上。相同类别的样本之间连接比较紧密。通过将紧密相连的样本划分为一类，可以得到一个聚类类别，而将所有组紧密相连的样本划分为各个不同的类别，则得到最终的聚类结果。
其中，当在上述应用场景时，通过对多个车辆的GPS数据进行聚类，以得到聚类结果，该聚类结果可以用于表征热点路段的GPS位置。
由此可知，本公开实施例中，通过使用KD树结合DBSCAN聚类算法的数据处理方式，首先通过KD树筛选出目标数据，该目标数据可以作为初步的热点路段的判断结果，再对KD树粗筛后的目标点根据DBSCAN算法进行聚类，以得到热点路段的GPS位置，由于在进行密度聚类之前增加聚类粗筛，能够有效地提升了聚类算法的性能，在减少了大量无效的计算量同时，有效地提升热点路段的GPS位置判断的准确率和判断效率，同时，DBSCAN算法通过密度聚类的方式，能够更加匹配判断热点路段判断的应用场景。
本实施例中，通过从数据集中确定出待处理数据，并根据所述待处理数据，从剩余数据中确定出目标数据，所述待处理数据和所述目标数据满足预设搜索树的约束条件，所述待处理数据和所述剩余数据共同构成所述数据集，以及对所述待处理数据和所述目标数据进行聚类，以得到聚类结果，由此能有效地降低数据处理的计算复杂度，有效地提升数据处理的效果，有效地提升数据处理的效率。
图2是根据本公开第二实施例的示意图。
如图2所示，该数据处理方法，包括：
S201：从数据集中确定出待处理数据。
S201的描述说明可以具体参见上述实施例，在此不再赘述。
S202：根据描述维度，从剩余数据中确定出目标数据，其中，待处理数据和目标数据满足预设搜索树中与描述维度对应的约束条件。
其中，待处理数据可以具有多种描述维度，不同描述维度不相同，多种描述维度可以具体例如为时间描述维度，位置描述维度等，对此不做限制。
其中，由于待处理数据可以具有多种描述维度，相应的，预设搜索树中与多种描述维度对应的约束条件可以是多种。
也即是说，本实施例中，根据不同的描述维度，从剩余数据中确定出目标数据，可以是根据与待处理数据对应的多种描述维度，从剩余数据中确定出满足预设搜索树中与该描述维度对应的约束条件的数据，并将其作为目标数据，由于是根据描述维度，从剩余数据中确定满足与描述维度对应的约束条件的数据，并将其作为目标数据，能够在有效地保障待聚类的目标数据识别的全面性，并且能够有效地减少数据聚类的计算量，从而能够有效地辅助提升数据处理效率。
举例而言，如果待处理数据对应的描述维度为时间描述维度，与约束条件对应的约束条件为时间相同，则可以根据时间描述维度，从剩余数据中确定出目标数据，该目标数据和待处理数据满足预设搜索树中时间相同的约束条件。
S203：对待处理数据和目标数据进行聚类，以得到聚类结果。
S203的描述说明可以具体参见上述实施例，在此不再赘述。
本实施例中，通过从数据集中确定出待处理数据，并根据描述维度，从剩余数据中确定出目标数据，其中，待处理数据和目标数据满足预设搜索树中与描述维度对应的约束条件，能够在有效地保障待聚类的目标数据识别的全面性，并且能够有效地减少数据聚类的计算量，以及对待处理数据和目标数据进行聚类，以得到聚类结果，能够有效地提升数据处理的效果，有效地提升数据处理的效率。
图3是根据本公开第三实施例的示意图。
如图3所示，该数据处理方法，包括：
S301：从数据集中确定出待处理数据。
S301的描述说明可以具体参见上述实施例，在此不再赘述。
S302：根据第一描述维度，从剩余数据中确定出多个候选数据，待处理数据分别与多个候选数据满足预设搜索树的第一约束条件，第一约束条件是与第一描述维度对应的约束条件。
其中，待处理数据具有多种描述维度，多种描述维度可以具体例如为时间描述维度，位置描述维度等，相应地，该位置描述维度，可以被称为第一描述维度，该时间描述维度可以被称为第二描述维度。
举例而言，第一描述维度可以具体例如为经纬度，第二描述维度可以具体例如为时间信息，由此，可以基于时间描述维度和位置描述维度两种描述维度对待处理数据进行处理，从而能够在后续的数据处理方法执行过程中，有效地节省数据处理的时间。
上述从数据集中确定出待处理数据后，可以根据第一描述维度，从剩余数据中，确定出多个数据，该数据即可以被称为候选数据，多个候选数据和待处理数据满足预设搜索树的第一约束条件。
其中，第一约束条件是与第一描述维度(位置描述维度)对应的约束条件，第一约束条件可以具体例如为位置相距A千米。
相应地，根据第一描述维度，从剩余数据中确定出多个候选数据，可以是根据时间描述维度，从剩余数据中确定出与待处理数据对应的时间信息为t1-t2时间段的数据，并将其作为候选数据。
S303：根据第二描述维度，从多个候选数据中确定出目标数据，待处理数据与目标数据满足预设搜索树的第二约束条件，第二约束条件是与第二描述维度对应的约束条件。
上述在根据第一描述维度，从剩余数据中确定出多个候选数据后，可以根据第二描述维度，从多个候选数据中确定出多个数据，该数据即可以被称为目标数据，多个目标数据和待处理数据满足预设搜索树的第二约束条件，由于是根据第一描述维度和第二描述维度，从剩余数据中确定目标数据，能够从剩余数据中剔除大量无效数据，从而可以减少大量无效的计算量，能够在有效地降低计算复杂度的同时，有效地辅助提升数据处理效率。
其中，第二约束条件是与第二描述维度(时间描述维度)对应的约束条件，第二约束条件可以具体例如为t1-t2时间段。
相应地，根据第二描述维度，从多个候选数据中确定出目标数据，可以从上述位置相距A千米的多个候选数据中，进一步筛选出时间信息为t1-t2时间段的数据，并将其作为目标数据。
S304：确定待处理数据与目标数据之间的与第一描述维度对应的第一聚类信息。
上述在确定目标数据后，可以确定待处理数据与目标数据之间与第一描述维度(位置描述维度)对应的第一聚类信息，第一聚类信息可以用于描述待处理数据和目标数据是否处于相同位置的情况。
也即是说，本公开实施例中，在确定目标数据后，可以根据待处理数据和目标数据的第一描述维度(位置描述维度)，确定待处理数据和目标数据是否对应于相同位置。
举例而言，在上述应用场景中，当从车辆的GPS数据集的剩余数据中确定出目标数据后，可以根据待处理数据和目标数据的位置描述维度，确定待处理数据对应的车辆和目标数据对应的车辆是否位于相同路段。
S305：确定待处理数据与目标数据之间的与第二描述维度对应的第二聚类信息。
其中，第二聚类信息可以用于描述待处理数据和目标数据是否在同一时间位于相同位置。
也即是说，本公开实施例中，在确定目标数据后，可以根据待处理数据和目标数据的第二描述维度(时间描述维度)，确定待处理数据和目标数据是否在相同时间位于同一位置。
举例而言，在上述应用场景中，当从车辆的GPS数据集的剩余数据中确定出目标数据后，可以根据待处理数据和目标数据对应的时间描述维度，确定待处理数据对应的车辆和目标数据对应的车辆是否在同一时间位于相同路段。
S306：根据第一聚类信息和第二聚类信息，对待处理数据和目标数据进行聚类，以得到聚类结果。
上述在确定待处理数据和目标数据之间的与第一描述维度对应的第一聚类信息，并确定待处理数据和目标数据之间的与第二描述维度对应的第二聚类信息后，可以根据第一聚类信息和第二聚类信息，对待处理数据和目标数据进行聚类，以得到聚类结果，由于是根据第一聚类信息和第二聚类信息，对待处理数据和目标数据进行聚类，能够有效地降低聚类算法的计算复杂度，有效地提升聚类算法的执行效率，有效地提升聚类结果的准确性。
可选地，一些实施例中，根据第一聚类信息和第二聚类信息，对待处理数据和目标数据进行聚类，以得到聚类结果，可以是在第一聚类信息和第二聚类信息满足聚类条件时，则根据第一聚类信息和第二聚类信息，确定目标路段信息，第一聚类信息、第二聚类信息，以及目标路段信息被共同作为聚类结果，由此能够有效地提升聚类结果的准确性和可参考性，并使得聚类结果在实际的业务场景中，能够更为准确的表征出目标路段的情况，有效地满足实际业务场景的业务需求。
其中，目标路段可以具体是上述确定出的第一聚类信息和第二聚类信息所对应的路段，即在确定第一聚类信息和第二信息后，可以根据第一聚类信息和第二聚类信息确定第一聚类信息和第二聚类信息所对应的路段，并将其作为目标路段。
其中，当在上述应用场景中时，该目标路段即可以被称为热点路段。
相应地，用于描述目标路段的信息，可以被称为目标路段信息，目标路段信息可以具体例如为目标路段的标识、目标路段的位置、目标路段拥堵的时间信息等，对此不做限制。
其中，聚类条件可以具体是待处理数据和目标数据位于相同位置，还可以是待处理数据和目标数据在相同时间位于相同位置，对此不做限制。
也即是说，可以根据第一聚类信息和第二聚类信息，确定出目标路段，进而可以分析得到目标路段的位置、目标路段的标识、目标路段的拥堵情况等目标路段信息。
举例而言，上述在根据第一聚类信息和第二聚类信息，满足待处理数据和目标数据在相同时间位于相同位置的聚类条件时，可以认为第一聚类信息和第二聚类信息对应的热点路段存在拥堵情况。
其中，当本公开实施例描述的数据处理方法，应用于热点路段判断的应用场景中时，可以获取车辆的多个GPS数据，再基于KD树的约束条件对车辆的多个GPS数据进行粗筛，从而可以得到初步的热点路段判断结果，再采用DBSCAN聚类算法对前述得到的初步的热点路段判断结果，进行聚类，从而可以得到热点路段的判断结果。
综上所述，本公开实施例描述的数据处理方法，由于依赖的数据源是车辆的多个GPS数据，没有依赖视频数据，规避了视频数据的高成本的问题，通过采用KD树对车辆的多个GPS数据进行初筛，可以减少大量的无效计算量，能够在后续DBSCAN聚类算法的计算过程中，减少了算法计算时间，同时，DBSCAN通过密度聚类的方式，可以从密度的角度考虑热点路段判断的问题，更加匹配热点路段判断的应用场景，从而能够有效地提升热点路口判断结果的准确性。
本实施例中，通过从数据集中确定出待处理数据，并根据第一描述维度，从剩余数据中确定出多个候选数据，再根据第二描述维度，从多个候选数据中确定出多个数据，该数据即可以被称为目标数据，多个目标数据和待处理数据满足预设搜索树的第二约束条件，由于是根据第一描述维度和第二描述维度，从剩余数据中确定目标数据，能够从剩余数据中剔除大量无效数据，从而可以减少大量无效的计算量，能够在有效地降低计算复杂度的同时，有效地辅助提升数据处理效率，再确定待处理数据和目标数据之间的与第一描述维度对应的第一聚类信息，并确定待处理数据和目标数据之间的与第二描述维度对应的第二聚类信息后，可以根据第一聚类信息和第二聚类信息，对待处理数据和目标数据进行聚类，以得到聚类结果，由于是根据第一聚类信息和第二聚类信息，对待处理数据和目标数据进行聚类，能够有效地降低聚类算法的计算复杂度，有效地提升聚类算法的执行效率，有效地提升聚类结果的准确性。
图4是根据本公开第四实施例的示意图。
如图4所示，该数据处理装置40，包括：
第一确定模块401，用于从数据集中确定出待处理数据；
第二确定模块402，用于根据待处理数据，从剩余数据中确定出目标数据，待处理数据和目标数据满足预设搜索树的约束条件，待处理数据和剩余数据共同构成数据集；以及
聚类模块403，用于对待处理数据和目标数据进行聚类，以得到聚类结果。
在本公开的一些实施例中，如图5所示，图5是根据本公开第五实施例的示意图，该数据处理装置50，包括：第一确定模块501、第二确定模块502、聚类模块503，其中，第二确定模块502，具体用于：
根据描述维度，从剩余数据中确定出目标数据，其中，待处理数据和目标数据满足预设搜索树中与描述维度对应的约束条件。
在本公开的一些实施例中，多种描述维度包括：第一描述维度和第二描述维度，第一描述维度和第二描述维度不相同；
其中，第二确定模块502，具体用于：
根据第一描述维度，从剩余数据中确定出多个候选数据，待处理数据分别与多个候选数据满足预设搜索树的第一约束条件，第一约束条件是与第一描述维度对应的约束条件；
根据第二描述维度，从多个候选数据中确定出目标数据，待处理数据与目标数据满足预设搜索树的第二约束条件，第二约束条件是与第二描述维度对应的约束条件。
在公开的一些实施例中，聚类模块503，包括：
第一确定子模块5031，用于确定待处理数据与目标数据之间的与第一描述维度对应的第一聚类信息；
第二确定子模块5032，用于确定待处理数据与目标数据之间的与第二描述维度对应的第二聚类信息；
聚类子模块5033，用于根据第一聚类信息和第二聚类信息，对待处理数据和目标数据进行聚类，以得到聚类结果。
在本公开的一些实施例中，聚类子模块5033，具体用于：
如果第一聚类信息和第二聚类信息满足聚类条件，则根据第一聚类信息和第二聚类信息，确定目标路段信息，第一聚类信息、第二聚类信息，以及目标路段信息被共同作为聚类结果。
在本公开的一些实施例中，其中，所述第一描述维度，是位置描述维度，所述第二描述维度是时间描述维度。
可以理解的是，本实施例附图5中的数据处理装置50与上述实施例中的数据处理装置40，第一确定模块501与上述实施例中的第一确定模块401，第二确定模块502与上述实施例中的第二确定模块402，聚类模块503与上述实施例中的聚类模块403，可以具有相同的功能和结构
需要说明的是，前述对数据处理方法的解释说明也适用于本实施例的数据处理装置，此处不再赘述。
本实施例中，通过从数据集中确定出待处理数据，并根据所述待处理数据，从剩余数据中确定出目标数据，所述待处理数据和所述目标数据满足预设搜索树的约束条件，所述待处理数据和所述剩余数据共同构成所述数据集，以及对所述待处理数据和所述目标数据进行聚类，以得到聚类结果，由此能够有效地降低数据处理的计算复杂度，有效地提升数据处理的效果，有效地提升数据处理的效率。
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数据处理方法的示例电子设备的示意性框图。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)、互联网及区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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 (15)
1.一种数据处理方法，包括：
从数据集中确定出待处理数据；
根据所述待处理数据，从剩余数据中确定出目标数据，所述待处理数据和所述目标数据满足预设搜索树的约束条件，所述待处理数据和所述剩余数据共同构成所述数据集；以及
对所述待处理数据和所述目标数据进行聚类，以得到聚类结果。
2.根据权利要求1所述的方法，所述待处理数据具有多种描述维度，不同所述描述维度不相同；
其中，所述根据所述待处理数据，从剩余数据中确定出目标数据，包括：
根据所述描述维度，从所述剩余数据中确定出所述目标数据，其中，所述待处理数据和所述目标数据满足所述预设搜索树中与所述描述维度对应的所述约束条件。
3.根据权利要求2所述的方法，所述多种描述维度包括：第一描述维度和第二描述维度，所述第一描述维度和所述第二描述维度不相同；
其中，所述根据所述描述维度，从所述剩余数据中确定出所述目标数据，包括：
根据所述第一描述维度，从所述剩余数据中确定出多个候选数据，所述待处理数据分别与所述多个候选数据满足所述预设搜索树的第一约束条件，所述第一约束条件是与所述第一描述维度对应的约束条件；
根据所述第二描述维度，从所述多个候选数据中确定出所述目标数据，所述待处理数据与所述目标数据满足所述预设搜索树的第二约束条件，所述第二约束条件是与所述第二描述维度对应的约束条件。
4.根据权利要求3所述的方法，其中，所述对所述待处理数据和所述目标数据进行聚类，以得到聚类结果，包括：
确定所述待处理数据与所述目标数据之间的与所述第一描述维度对应的第一聚类信息；
确定所述待处理数据与所述目标数据之间的与所述第二描述维度对应的第二聚类信息；
根据所述第一聚类信息和所述第二聚类信息，对所述待处理数据和所述目标数据进行聚类，以得到聚类结果。
5.根据权利要求4所述的方法，其中，所述根据所述第一聚类信息和所述第二聚类信息，对所述待处理数据和所述目标数据进行聚类，以得到聚类结果，包括：
如果所述第一聚类信息和所述第二聚类信息满足聚类条件，则根据所述第一聚类信息和所述第二聚类信息，确定目标路段信息，所述第一聚类信息、所述第二聚类信息，以及所述目标路段信息被共同作为所述聚类结果。
6.根据权利要求3所述的方法，其中，所述第一描述维度，是位置描述维度，所述第二描述维度是时间描述维度。
7.一种数据处理装置，包括：
第一确定模块，用于从数据集中确定出待处理数据；
第二确定模块，用于根据所述待处理数据，从剩余数据中确定出目标数据，所述待处理数据和所述目标数据满足预设搜索树的约束条件，所述待处理数据和所述剩余数据共同构成所述数据集；以及
聚类模块，用于对所述待处理数据和所述目标数据进行聚类，以得到聚类结果。
8.根据权利要求7所述的装置，所述待处理数据具有多种描述维度，不同所述描述维度不相同；
其中，所述第二确定模块，具体用于：
根据所述描述维度，从所述剩余数据中确定出所述目标数据，其中，所述待处理数据和所述目标数据满足所述预设搜索树中与所述描述维度对应的所述约束条件。
9.根据权利要求8所述的装置，所述多种描述维度包括：第一描述维度和第二描述维度，所述第一描述维度和所述第二描述维度不相同；
其中，所述第二确定模块，具体用于：
根据所述第一描述维度，从所述剩余数据中确定出多个候选数据，所述待处理数据分别与所述多个候选数据满足所述预设搜索树的第一约束条件，所述第一约束条件是与所述第一描述维度对应的约束条件；
根据所述第二描述维度，从所述多个候选数据中确定出所述目标数据，所述待处理数据与所述目标数据满足所述预设搜索树的第二约束条件，所述第二约束条件是与所述第二描述维度对应的约束条件。
10.根据权利要求9所述的装置，所述聚类模块，包括：
第一确定子模块，用于确定所述待处理数据与所述目标数据之间的与所述第一描述维度对应的第一聚类信息；
第二确定子模块，用于确定所述待处理数据与所述目标数据之间的与所述第二描述维度对应的第二聚类信息；
聚类子模块，用于根据所述第一聚类信息和所述第二聚类信息，对所述待处理数据和所述目标数据进行聚类，以得到聚类结果。
11.根据权利要求10所述的装置，其中，所述聚类子模块，具体用于：
如果所述第一聚类信息和所述第二聚类信息满足聚类条件，则根据所述第一聚类信息和所述第二聚类信息，确定目标路段信息，所述第一聚类信息、所述第二聚类信息，以及所述目标路段信息被共同作为所述聚类结果。
12.根据权利要求9所述的装置，其中，所述第一描述维度，是位置描述维度，所述第二描述维度是时间描述维度。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种计算机程序产品，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1-6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111084260.8A CN113836358A (zh) | 2021-09-14 | 2021-09-14 | 数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111084260.8A CN113836358A (zh) | 2021-09-14 | 2021-09-14 | 数据处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113836358A true CN113836358A (zh) | 2021-12-24 |
Family
ID=78959440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111084260.8A Pending CN113836358A (zh) | 2021-09-14 | 2021-09-14 | 数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113836358A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009141818A1 (en) * | 2008-05-19 | 2009-11-26 | Technion Research & Development Foundation Ltd. | Apparatus and method for incremental physical data clustering |
| US20180357262A1 (en) * | 2017-06-13 | 2018-12-13 | Microsoft Technology Licensing, Llc | Determining a hierarchical concept tree using a large corpus of table values |
| CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
| CN110807474A (zh) * | 2019-10-12 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 聚类方法及装置、存储介质、电子设备 |
| CN112232290A (zh) * | 2020-11-06 | 2021-01-15 | 四川云从天府人工智能科技有限公司 | 数据聚类方法、服务器、系统以及计算机可读存储介质 |
| CN112328880A (zh) * | 2020-11-05 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 地理区域聚类方法、装置、存储介质和电子设备 |
| CN112597822A (zh) * | 2020-12-11 | 2021-04-02 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 |
| CN112948512A (zh) * | 2019-12-10 | 2021-06-11 | 顺丰科技有限公司 | 位置数据划分方法、装置、计算机设备和存储介质 |
| CN112949751A (zh) * | 2021-03-25 | 2021-06-11 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
| CN113051442A (zh) * | 2019-12-26 | 2021-06-29 | 中国电信股份有限公司 | 时间序列数据处理方法、装置和计算机可读存储介质 |
| CN113140109A (zh) * | 2021-04-23 | 2021-07-20 | 上海阿尔卡特网络支援系统有限公司 | 一种路测数据处理方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-14 CN CN202111084260.8A patent/CN113836358A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009141818A1 (en) * | 2008-05-19 | 2009-11-26 | Technion Research & Development Foundation Ltd. | Apparatus and method for incremental physical data clustering |
| US20180357262A1 (en) * | 2017-06-13 | 2018-12-13 | Microsoft Technology Licensing, Llc | Determining a hierarchical concept tree using a large corpus of table values |
| CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
| CN110807474A (zh) * | 2019-10-12 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 聚类方法及装置、存储介质、电子设备 |
| CN112948512A (zh) * | 2019-12-10 | 2021-06-11 | 顺丰科技有限公司 | 位置数据划分方法、装置、计算机设备和存储介质 |
| CN113051442A (zh) * | 2019-12-26 | 2021-06-29 | 中国电信股份有限公司 | 时间序列数据处理方法、装置和计算机可读存储介质 |
| CN112328880A (zh) * | 2020-11-05 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 地理区域聚类方法、装置、存储介质和电子设备 |
| CN112232290A (zh) * | 2020-11-06 | 2021-01-15 | 四川云从天府人工智能科技有限公司 | 数据聚类方法、服务器、系统以及计算机可读存储介质 |
| CN112597822A (zh) * | 2020-12-11 | 2021-04-02 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 |
| CN112949751A (zh) * | 2021-03-25 | 2021-06-11 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
| CN113140109A (zh) * | 2021-04-23 | 2021-07-20 | 上海阿尔卡特网络支援系统有限公司 | 一种路测数据处理方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈广胜;程逸群;景维鹏;: "基于KD树划分的云计算DBSCAN优化算法", 计算机工程, no. 04 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
| CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
| CN112559371B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN110727740B (zh) | 关联分析方法及装置、计算机设备与可读介质 | |
| CN112559631A (zh) | 分布式图数据库的数据处理方法、装置以及电子设备 | |
| CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
| CN112925883A (zh) | 搜索请求处理方法、装置、电子设备及可读存储介质 | |
| CN107729944B (zh) | 一种低俗图片的识别方法、装置、服务器及存储介质 | |
| CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
| CN115248890A (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
| CN113626605B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN108733702B (zh) | 用户查询上下位关系提取的方法、装置、电子设备和介质 | |
| CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
| CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
| CN114610825A (zh) | 关联网格集的确认方法、装置、电子设备及存储介质 | |
| CN113836358A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN114357180A (zh) | 知识图谱的更新方法及电子设备 | |
| CN110781283B (zh) | 连锁品牌词库生成方法、装置以及电子设备 | |
| CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
| CN113010642A (zh) | 语义关系的识别方法、装置、电子设备及可读存储介质 | |
| CN113704256A (zh) | 数据识别方法、装置、电子设备及存储介质 | |
| CN110968690B (zh) | 词语的聚类划分方法和装置、设备以及存储介质 | |
| CN113344214A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
| CN113656425B (zh) | 电子地图的更新方法、装置、电子设备、存储介质及产品 | |
| CN114677570B (zh) | 道路信息更新方法、装置、电子设备以及存储介质 |
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 |