CN114417192A - 更新兴趣点poi状态的方法、装置、设备、介质及产品 - Google Patents
更新兴趣点poi状态的方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN114417192A CN114417192A CN202210308925.7A CN202210308925A CN114417192A CN 114417192 A CN114417192 A CN 114417192A CN 202210308925 A CN202210308925 A CN 202210308925A CN 114417192 A CN114417192 A CN 114417192A
- Authority
- CN
- China
- Prior art keywords
- poi
- state
- health degree
- health
- static
- 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.)
- Granted
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
- G06F16/95—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
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种更新兴趣点POI状态的方法、装置、设备、介质及产品,涉及数据处理技术领域,尤其涉及人工智能技术领域中的大数据和深度学习技术。具体实现方案为:确定POI的静态特征和动态特征;基于所述静态特征和所述动态特征,预测表征所述POI状态的第一健康度;基于与所述第一健康度匹配的最新状态,更新所述POI状态。本公开通过基于POI的静态特征和动态特征预测的健康度,更新POI状态,提供系统性的更新POI状态的能力,全方位确保POI的质量,从而实现对POI状态的跟踪,保证地图的应用体验。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及人工智能技术领域中的大数据和深度学习技术。
背景技术
兴趣点(Point of Interest,POI),泛指可以抽象为点的地理对象。地图上的POI状态通常通过实地采集、从互联网数据中挖掘以及用户上报等方式进行更新。POI作为地图检索和地图导航等应用的数据基础,POI的状态准确性对于各类地图应用的准确性和可用性至关重要。
发明内容
本公开提供了一种用于更新兴趣点POI状态的方法、装置、设备、介质及产品。
根据本公开的一方面,提供了一种更新兴趣点POI状态的方法,包括:确定POI的静态特征和动态特征;基于所述静态特征和所述动态特征,预测表征所述POI状态的第一健康度;基于与所述第一健康度匹配的最新状态,更新所述POI状态。
根据本公开的另一方面,提供了一种更新兴趣点POI状态的装置,包括:确定单元,用于确定POI的静态特征和动态特征;预测单元,用于基于所述静态特征和所述动态特征,预测表征所述POI状态的第一健康度;更新单元,用于基于与所述第一健康度匹配的最新状态,更新所述POI状态。
根据本公开的又一方面,提供了一种电子设备,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所述的方法。
根据本公开的又一方面,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,其中,所述计算机指令用于使所述计算机执行所述的方法。
根据本公开的又一方面,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所述的方法。
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是根据本公开实施例提供的更新兴趣点POI状态的方法流程图;
图2是根据本公开实施例示出的用户到访量示意图;
图3是根据本公开实施例示出的采用健康度预测模型预测POI健康度的示意图;
图4是根据本公开实施例示出的一种更新POI的流程示意图;
图5是根据本公开实施例示出的另一种更新POI的流程示意图;
图6是根据本公开实施例示出的预测第二健康度的流程示意图;
图7是根据本公开实施例示出的将POI的静态特征、动态特征和核验结果输入健康度预测模型进行再次预测的流程示意图;
图8是根据本公开实施例示出的检测到触发不同核验条件后的更新流程示意图;
图9是根据一示例性实施例示出的一种更新兴趣点POI状态的装置框图;
图10是用来实现本公开实施例的更新兴趣点POI状态的方法的电子设备的框图。
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。
本公开应用于确定POI的最新状态并基于确定的POI最新状态进行POI状态更新的场景。POI是地图检索和地图导航等应用的数据基础,而POI状态的准确性是地图应用准确性的基础。地图应用的准确性越高,用户使用地图应用的体验越好。随着城市建设的快速发展和业务单位规划的变更,及时更新POI状态至关重要。示例的,假设一个POI实际上已经关门,但地图上并没有及时更新该POI的状态,那么可能导致用户白跑数公里甚至数十公里,却无法满足自己需求,严重浪费用户的时间,影响用户使用地图的体验。可见,及时更新地图上POI的状态,能够提高用户体验。
相关技术中,利用互联网上用户发布的信息,确定POI的状态信息。但该方式无法全面感知POI的状态变化,且只能解决有限用户关注度高的POI状态。
鉴于此,本公开提供了一种更新兴趣点POI状态的方法。在本公开提供的方法中,根据POI的静态特征、POI的动态特征和/或对POI进行核验后的核验结果预测POI的健康度。并根据预测得到的POI健康度更新POI状态。其中,静态特征包括POI的类别、所处位置等,动态特征包括POI的用户到访量、原材料消耗量等。本公开综合考虑了影响POI状态的因素,提高了确定POI状态的准确度。同时,本公开提供的方案从确定POI的静态特征值、动态特征值和/或核验结果,到根据POI的静态特征值、动态特征值和/或核验结果预测POI的健康度,再到根据预测得到的POI健康度更新POI状态,组成系统性的POI状态更新机制,在保证POI状态准确性的同时能够及时更新POI状态。如此,降低POI的状态问题,提升用户对地图产品的依赖程度。
本公开下述实施例将结合附图,对本公开提供的更新兴趣点POI状态的方法进行说明。
图1是根据本公开实施例提供的更新兴趣点POI状态的方法流程图;如图1所示,本公开提供的一种更新兴趣点POI状态的方法,包括以下步骤S101-S103。
在步骤S101中,确定POI的静态特征和动态特征。
本公开中POI的静态特征包括但不限于POI类别、POI所属区域、是否有从属点、从属点状态、POI年龄、是否为品牌,以及是否临街、是否设为家和是否设为公司等。
其中,POI类别包括『餐饮美食』,『购物中心』,『旅游景点』等。可见,POI类别可以根据POI的经营属性确定。例如,POI埃菲尔铁塔的类别为『旅游景点』。POI肯德基的类别为『餐饮美食』。
本公开通过POI所属区域确定POI的热度,而POI的热度是指用户对该POI的关注程度。关注程度越高POI的热度越高,反之,关注程度越低POI的热度越低。关注程度也可以通过搜索次数确定。用户搜索POI的次数越多,该POI的关注程度越高。关注程度还可以通过用户的定位轨迹进行计算。用户的定位轨迹越多POI的热度越高,反之,用户的定位轨迹越少POI的热度越低。除了通过POI所属区域确定POI的热度之外,还可以确定POI所属区域的单位POI数,POI所属区域的POI年失效率,POI所属区域的POI平均寿命等。本公开通过POI所属区域确定的特征值,预测POI的健康度。
本公开中的从属点是指当前POI所从属的POI,比如『北京大学-东门』的从属点是『北京大学』,『肯德基(XXX商场餐厅)』的从属点是『XXX商场』。若其从属点处于失效状态(关门或被拆除等),则当前POI的状态大概率也是失效状态。从属点也可以称为依附点或父点。本公开通过从属点的状态预测从属于该从属点的POI状态。
本公开的POI年龄是指POI的成立时长。POI的成立时长越久POI的状态相对越稳定。本公开通过统计POI是否是品牌,来预测POI的健康度。本公开中的POI是否品牌可以是该POI是否为连锁品牌,奢侈品牌,老字号等。可以预先设定属于品牌的规则,和/或列举品牌清单。通过规则匹配确定POI是否为品牌。为了保证准确性,可以定期更新规则或品牌清单。本公开还可以通过确定POI是否临街预测POI的健康度。经统计,临街的POI相比于室内的POI而言,临街的POI更容易被发现,从而到访率更高,即POI的健康度越高。
本公开中的POI动态特征,可以为通过统计得出规律性的周期性的原材料消耗量和/或用户到访量。本公开中通过POI的动态特征表征POI的活跃程度。本公开中的动态特征包括但不限于用户到访量,售出票(订单信息)的数量,POI的日用电量,POI的日用水量等。用户到访量是指访问该POI的用户数量,或,每天到达该POI的消费者数量。
一例中,本实施例以统计动态特征用户到访量为例进行说明。图2是根据本公开实施例示出的用户到访量示意图;图2中POI的类别为公司,如图2所示,可见对于该POI而言,节假日和工作日的动态特征用户到访量存在差异。
本公开中可以通过互联网、问卷调查和/或行为日志获取POI的动态特征。
在步骤S102中,基于静态特征和动态特征,预测表征POI状态的第一健康度。
在本公开实施例中,将预测健康度的模型称为健康度预测模型。本公开中的健康度预测模型按功能可以划分为三部分,包括用于处理静态特征的静态特征模型,处理动态特征的时序模型,以及融合静态特征和动态特征的融合模型。
下述实施例将结合健康度预测模型中的每一部分,说明基于静态特征和动态特征,预测表征POI状态的第一健康度的过程。
通过健康度预测模型中的静态特征模型对静态特征进行处理,得到目标静态特征。本公开中对静态特征进行处理,得到目标静态特征的过程包括:采用梯度提升决策树将静态特征进行特征组合,生成树结构,确定树结构中的每条路径,并将每条路径最末梢的静态特征作为目标静态特征;或者对静态特征进行离散化处理,将得到离散化静态特征,作为目标静态特征。
通过上述实施例列举的POI静态特征可知,针对一个POI而言,POI类别、POI所属区域、是否为品牌,以及是否临街等是相对固定的,也是比较稀疏的。在一种实施方式中,为了解决特征稀疏,连续特征等问题,本公开实施例采用梯度提升决策树(Gradient BoostingDecision Tree,GBDT)对POI的静态特征进行建模。训练时,GBDT建树的过程相当于自动进行的特征组合和离散化。在树结构中从根节点到叶子节点看作一条路径。确定树结构中包括的每条路径。从根结点到叶子节点的这条路径是不同静态特征进行的特征组合。叶子节点是每条路径最末梢的静态特征,用叶子节点可以唯一的表示一条路径,故,将路径的叶子节点作为目标静态特征传入融合模型。在另一种实施方式中,不利用GBDT进行特征组合,直接对POI的静态特征进行离散化处理。将离散化处理得到的离散化静态特征作为目标静态特征输入融合模型。相比于对POI的静态特征进行GBDT,对POI的静态特征进行离散化处理的过程中需要考虑特征离散化,特征稀疏化等问题的处理。
本公开中通过对静态特征进行GBDT处理或离散化处理,得到的目标静态特征能够更准确的表征POI状态。
通过健康度预测模型中的时序模型对动态特征进行处理。在本公开实施例中,将预设周期内的动态特征输入时序模型,输出动态特征表征的动态健康度。
通过上述实施例列举的动态特征可以看出,本公开中的动态特征是典型的时序性的信息,通过某一天的动态特征值无法确定POI的状态,只有连续长时间的趋势信息才能表征POI的健康状况。为此,本公开采用时序模型的网络结构对POI的动态特征进行建模。本公开中的时序模型可以包括但不限于时域卷积网络(Temporal Convolutional Network,TCN)、循环神经网络(Recurrent Neural Network, RNN)和长短期记忆网络(Long Short-Term Memory,LSTM)。本公开中,确定处于滑动时间窗内的动态特征数据,将处于滑动时间窗内的动态特征数据输入时序模型,输出动态特征表征POI的动态健康度。将时序模型输出的动态健康度输入融合模型进行处理。
通过健康度预测模型中的融合模型,对目标静态特征和动态健康度进行融合,得到融合特征,并基于融合特征预测表征POI状态的第一健康度。
接续上例,确定POI的动态特征表征的动态健康度和目标静态特征后,通过融合模型,预测POI的第一健康度,之后根据POI的第一健康度,确定与第一健康度匹配的POI的最新状态。本公开中的融合模型可以采用分类模型,其分类结果为正常和失效(撤店,暂停营业,尚未开业等)。根据分类模型预测的概率,确定分类结果。本公开采用健康度表征POI状态的概率,示例的,若健康度大于或等于健康阈值,则分类结果为正常;若健康度小于健康阈值,则分类结果为失效。
在一种实施方式中,本公开中的融合模型也可以采用回归模型。利用大量包含有精确标注POI状态的训练样本训练回归模型。其中,标注的POI状态包括正常营业,暂停营业,尚未开业等。完成训练的回归模型可以输出不同POI状态的概率,本公开采用健康度表征POI状态的概率,不同等级的健康度对应不同的POI状态。
在实际应用时,可以根据实际需要确定融合模型采用回归模型或分类模型。本公开中的融合模型包括但不限于逻辑回归模型,因子分解机模型(Factor Machine,FM),DeepFM模型,全连接(Fully Connected,FC)网络结构等。
在本公开中对静态特征进行处理后得到的目标静态特征,并将目标静态特征与动态特征表征的动态健康度进行融合,利用融合特征预测表征POI状态的第一健康度,能够全面考虑影响POI状态的静态特征和动态特征,提高预测第一健康度的准确度。
在一例中,结合附图说明本公开中采用健康度预测模型预测POI健康度的过程。图3是根据本公开实施例示出的采用健康度预测模型预测POI健康度的示意图;如图3所示,本公开采用GBDT对静态特征进行处理,采用TCN模型对动态特征进行处理,融合模型采用FM模型,FM模型中的损失函数选择对数损失函数。将POI的静态特征输入GBDT,将GBDT的输出作为FM模型的输入。将POI的静态特征输入TCN模型,将TCN模型的输出作为FM模型的输入。在FM模型中将GBDT的输出和TCN模型的输出进行融合,并根据融合结果输出POI的健康度。在本公开实施例中,采用FM模型可以在非常稀疏的数据中进行合理的参数估计,提高输出结果的准确性。
在步骤S103中,基于与第一健康度匹配的最新状态,更新POI状态。
预先设定第一健康度与POI状态的关联关系,在预测得到第一健康度之后,根据关联关系确定与第一健康度匹配的POI状态。将与第一健康度匹配的POI状态,作为POI的最新状态。基于POI的最新状态,更新POI状态。
本公开通过基于POI的静态特征和动态特征预测的健康度,更新POI状态,提供系统性的更新POI状态的能力,全方位确保POI的质量,从而实现对POI状态的跟踪,保证地图的应用体验。
在本公开中,基于与第一健康度匹配的最新状态,更新POI状态,根据是否进行再次预测分为两种情况。再次预测能够进一步的确定POI状态的准确性。下述实施例将结合附图4和图5对两种情况进行说明。首先,图4是根据本公开实施例示出的一种更新POI的流程示意图;如图4所示,本公开基于与第一健康度匹配的最新状态,更新POI状态,包括以下步骤S401-S403。
在步骤S401中,确定第一健康度与健康阈值的关系。
在步骤S402a中,若第一健康度大于或等于健康阈值,则根据第一健康度与POI状态的匹配关系,确定与第一健康度匹配的第一最新状态。
本公开中,若第一健康度大于或等于健康阈值,说明该POI健康,即POI状态为正常。
在步骤S402b中,若第一健康度小于健康阈值,则根据第一健康度与POI状态的匹配关系,确定与第一健康度匹配的第二最新状态。
若第一健康度小于健康阈值,说明该POI失效。
在步骤S403中,基于第一最新状态或第二最新状态,更新POI状态。
根据POI的最新状态为正常或失效,更新POI状态。
本公开通过上述第一健康度与健康阈值的大小关系,确定POI的最新状态,以此更新POI状态,能够提高更新POI状态的效率。
本公开的另一例中,图5是根据本公开实施例示出的另一种更新POI的流程示意图;如图5所示,本公开基于与第一健康度匹配的最新状态,更新POI状态,包括以下步骤S501-S503。
在步骤S501中,确定第一健康度与健康阈值的关系。
在步骤S502a中,若第一健康度大于或等于健康阈值,则根据第一健康度与POI状态的匹配关系,确定与第一健康度匹配的第一最新状态。
本公开中,若第一健康度大于或等于健康阈值,说明该POI健康,即POI状态为正常。
在步骤S502b中,若第一健康度小于健康阈值,且POI的重要程度大于或等于重要程度阈值,则基于核验结果对POI状态进行再次预测,得到表征POI状态的第二健康度。
本公开中,重要程度为POI状态对用户体验的影响程度。本公开中的重要程度可以预先设定,或根据用户画像确定。核验结果为对POI状态进行核验得到的结果。
在第一健康度小于健康阈值的情况下,说明该POI失效。为了确定POI状态的准确性,在检测到第一健康度小于健康阈值的情况下,确定POI的重要程度。若POI的重要程度大于或等于重要程度阈值,则基于核验结果对POI状态进行再次预测,得到表征POI状态的第二健康度。若POI的重要程度小于重要程度阈值,则认定该POI失效。
在步骤S503中,根据第二健康度与POI状态的匹配关系,确定与第二健康度匹配的第三最新状态。
在步骤S504中,基于第一最新状态或第三最新状态,更新POI状态。
在本公开中,对第一健康度小于健康阈值的POI,进一步确定该POI的重要程度,根据POI的重要程度大于或等于重要程度阈值的POI进行再次预测,以提高重要POI的状态准确性。
本公开中结合附图6,说明本公开基于核验结果对POI状态进行再次预测得到第二健康度的过程。图6是根据本公开实施例示出的预测第二健康度的流程示意图;如图6所示,本公开基于核验结果对POI状态进行再次预测,得到表征POI状态的第二健康度,包括以下步骤S601-S603。
在步骤S601中,确定采取的目标核验方式。
本公开中采用的核验方式包括实地核验和远程核验。远程核验包括智能电话核验、人工电话核验和挖掘互联网数据核验。
本公开中的实地核验是指采集人员到POI所在地进行POI信息采集。在进行POI信息采集时需制定采集任务。在制定采集任务时将单向道路按照路口进行切分,作为采集基本单元,一个采集单元几十到几百米不等。基于待采集信息预测采集基本单元的采集价值,确定最大价值采集图。将最大价值采集图作为采集任务,向采集人员发送采集任务。通过采集任务中的最大价值采集图,指导采集人员到特定的区域去进行拍照采集。采集的信息为现实世界招牌存在的POI。基于采集的信息,计算出采全率,相邻POI采集信息,同位置POI采集信息等核验特征。之后利用核验特征判定POI的状态。
本公开中的智能电话核验是基于人工智能(Artificial Intelligence,AI)技术,自动跟商家进行电话沟通,确定商家的经营状态。预先构造与待核实信息匹配的核实询问信息;根据与POI相关联的用户对应的联系方式,与关联用户建立通信连接。通过文本转语音技术,将核实询问信息转换为交互语音后,提供给关联用户。获取关联用户针对核实询问信息的应答语音,并通过语音转文本技术,将应答语音转换为文本信息。将文本信息作为与核实询问信息匹配的反馈结果。核实询问信息包括:电话是否停机,是否有人接听,接听是否核实到营业,核实到停业,核实到暂停营业等。
在步骤S602中,基于目标核验方式对POI状态进行核验,获取表征POI状态的核验结果。
采用上述实地核验、智能电话核验、人工电话核验和/或挖掘互联网数据核验的目标核验方式,对POI状态进行核验,获取表征POI状态的核验结果。核验结果包括:电话停机、电话无人接听、核实到营业、核实到暂定营业等。
在步骤S603中,将核验结果、静态特征和动态特征输入健康度预测模型进行再次预测,输出表征POI状态的第二健康度。
本公开中可以直接根据核验结果核验POI的状态,但核验结果同样存在不准确的概率,例如,在实地核验过程中,采集人员虽然没有采集到该POI,但并不代表该POI已经失效,也可能是采集人员在采集过程中遗漏了该POI。又例如,在智能电话核验过程中,因为语音识别误差或用户并未告知实际状态导致核验结果并不准确。故,本公开结合POI的静态特征、动态特征和核验结果,预测POI的状态,比单纯依靠核验结果预测POI的状态更准确。
本公开结合附图对将POI的静态特征、动态特征和核验结果输入健康度预测模型进行再次预测的过程进行说明。图7是根据本公开实施例示出的将POI的静态特征、动态特征和核验结果输入健康度预测模型进行再次预测的流程示意图;如图7所示,可以看出,基于POI的静态特征、动态特征和核验结果预测POI的健康度的过程中,静态特征和动态特征的处理过程与上述基于静态特征和动态特征预测健康度的过程相同,在此不再赘述。对于核验结果部分,在一例中,可以针对表征核准结果的核准特征建模,得到核准结果。在另一例中,也可以将核准特征和静态特征,直接融合输入到GBDT模型中,进行特征交叉,让GBDT模型学习更多的信息。对于融合模型,与基于静态特征和动态特征预测健康度模型的结构相同,只是在特征层引入了核验结果。核验结果可以有效的提升状态预测的准确率,从而保证线上POI的状态。
在本公开中,利用目标核验方式对POI状态进行核验,基于核验结果和静态特征,以及动态特征对POI的健康度进行再次预测,以确保根据健康度更新POI状态的准确性。
除了上述,POI的重要程度大于重要程度阈值时对POI的状态进行核验之外,本公开中触发核验的条件还可以为,触发预先设定的核验周期和/或POI出现的异常在预设异常列表中导致触发核验。可以针对不同的POI类别设定不同触发核验的条件。在一例中,对于POI小区,除非该小区拆迁,否则POI小区的状态基本不会改变。在另一例中,对于个人经营的小饭店,小卖铺等,开门不到一年就关门的情况很常见,所以可以通过核验结果进一步提高POI状态的准确性。
本公开下述实施例将结合附图8说明,检测到触发不同核验条件后的更新过程。图8是根据本公开实施例示出的检测到触发不同核验条件后的更新流程示意图;如图8所示,检测到触发不同核验条件后的更新过程包括步骤S801-S805。
在步骤S801中,若检测到核验对象触发核验条件,则对POI状态进行核验,得到核验结果。
在本公开中,核验对象根据核验条件确定,若核验条件为预先设定的核验周期,则核验对象为核验周期。若核验条件为,检测POI是否出现在预设异常列表中的异常,则检测对象为POI的状态。
在步骤S802中,将核验结果、静态特征和动态特征输入健康度预测模型中进行预测,输出表征POI状态的第三健康度。
在步骤S803中,根据第三健康度与POI状态的匹配关系,确定与第三健康度匹配的第四最新状态,并基于第四最新状态更新POI状态。
本公开通过检测核验对象是否触发核验条件,以对POI状态进行核验的方式,为确保POI状态的准确性增加保障。在检测到触发核验条件的情况下,对POI的状态进行及时更新。
本公开提供的中获取POI的动态特征时,对于关注度超过关注度阈值的POI容易获取到POI的动态特征,而对于关注度低于关注度阈值的POI不容易获取到POI的动态特征,或获取到的POI动态特征不够准确。示例的,对于某些统计周期内用户到访数量为个位数的POI,直接利用健康度预测模型确定的POI状态并准确。对此,本公开为了提高POI状态的准确性,对POI状态进行核验,根据核验结果验证通过健康度预测模型确定的POI状态。可见,本公开不仅仅保证了关注度高于阈值的POI的状态准确率,同是保证了关注度低于阈值的POI的状态准确率,从而保证用户的地图使用体验。
本公开可以对满足预设条件的POI进行状态更新。在本公开中,满足预设条件的POI可以是全量POI。在预测更新周期内(每日)对全量POI进行状态更新,能够全方位的保证线上POI的质量,从而对POI状态的跟踪,保证用户使用地图的体验。在本公开中,也可以按照POI类别设定不同的更新周期,对处于更新周期内的POI进行状态更新。该方式可以节约计算资源,对于状态不稳定的POI有针对性的进行状态更新。
需说明,本公开中为了避免混淆,将基于静态特征和动态特征,预测得到的健康度称为第一健康度。将在第一健康度小于健康阈值,且POI的重要程度大于或等于重要程度阈值的场景中,基于核验结果对POI状态进行再次预测,得到健康度称为第二健康度。将触发核验条件后,基于核验结果、静态特征和动态特征进行预测,得到的健康度称为第三健康度。
基于相同的构思,本公开实施例还提供一种更新兴趣点POI状态的装置。
可以理解的是,本公开实施例提供的更新兴趣点POI状态的装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤,本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本公开实施例的技术方案的范围。
图9是根据一示例性实施例示出的一种更新兴趣点POI状态的装置框图。参照图9,该装置900包括确定单元901,预测单元902和更新单元903。
确定单元901,用于确定POI的静态特征和动态特征;预测单元902,用于基于静态特征和动态特征,预测表征POI状态的第一健康度;更新单元903,用于基于与第一健康度匹配的最新状态,更新POI状态。
本公开通过装置900基于POI的静态特征和动态特征预测的健康度,更新POI状态,提供系统性的更新POI状态的能力,全方位确保POI的质量,从而实现对POI状态的跟踪,保证地图的应用体验。
在一种实施方式中,更新单元903用于:若第一健康度大于或等于健康阈值,则根据第一健康度与POI状态的匹配关系,确定与第一健康度匹配的第一最新状态;若第一健康度小于健康阈值,则根据第一健康度与POI状态的匹配关系,确定与第一健康度匹配的第二最新状态;基于第一最新状态或第二最新状态,更新POI状态。
在一种实施方式中,更新单元903还用于:若第一健康度小于健康阈值,且POI的重要程度大于或等于重要程度阈值,则基于核验结果对POI状态进行再次预测,得到表征POI状态的第二健康度,重要程度为POI状态对用户体验的影响程度,核验结果为对POI状态进行核验得到的结果;根据第二健康度与POI状态的匹配关系,确定与第二健康度匹配的第三最新状态;基于第三最新状态,更新POI状态。
在一种实施方式中,更新单元903还用于:确定采取的目标核验方式;基于目标核验方式对POI状态进行核验,获取表征POI状态的核验结果;将核验结果、静态特征和动态特征输入健康度预测模型进行再次预测,输出表征POI状态的第二健康度。
在一种实施方式中,装置900,还包括:检测单元904,用于在检测到核验对象触发核验条件的情况下,对POI状态进行核验,得到核验结果;并将核验结果、静态特征和动态特征输入健康度预测模型中进行预测,输出表征POI状态的第三健康度;还用于根据第三健康度与POI状态的匹配关系,确定与第三健康度匹配的第四最新状态,并基于第四最新状态更新POI状态。
在一种实施方式中,预测单元902还用于:对静态特征进行处理,得到目标静态特征;将预设周期内的动态特征输入时序模型,输出动态特征表征的动态健康度;对目标静态特征和动态健康度进行融合,得到融合特征;基于融合特征预测表征POI状态的第一健康度。
在一种实施方式中,预测单元902采用下列方式对静态特征进行处理,得到目标静态特征:采用梯度提升决策树将静态特征进行特征组合,生成树结构,确定树结构中的每条路径,并将每条路径最末梢的静态特征作为目标静态特征;或者对静态特征进行离散化处理,将得到离散化静态特征,作为目标静态特征。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如更新兴趣点POI状态的方法。例如,在一些实施例中,更新兴趣点POI状态的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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的更新兴趣点POI状态的方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行更新兴趣点POI状态的方法。
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。服务器可以是云服务器,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 (17)
1.一种更新兴趣点POI状态的方法,包括:
确定POI的静态特征和动态特征;
基于所述静态特征和所述动态特征,预测表征所述POI状态的第一健康度;
基于与所述第一健康度匹配的最新状态,更新所述POI状态。
2.根据权利要求1所述的方法,其中,所述基于与所述第一健康度匹配的最新状态,更新所述POI状态,包括:
若所述第一健康度大于或等于健康阈值,则根据所述第一健康度与POI状态的匹配关系,确定与所述第一健康度匹配的第一最新状态;
若所述第一健康度小于健康阈值,则根据所述第一健康度与POI状态的匹配关系,确定与所述第一健康度匹配的第二最新状态;
基于所述第一最新状态或所述第二最新状态,更新所述POI状态。
3.根据权利要求2所述的方法,其中,所述基于与所述第一健康度匹配的最新状态,更新所述POI状态,包括:
若所述第一健康度小于健康阈值,且所述POI的重要程度大于或等于重要程度阈值,则基于核验结果对所述POI状态进行再次预测,得到表征所述POI状态的第二健康度,所述重要程度为所述POI状态对用户体验的影响程度,所述核验结果为对POI状态进行核验得到的结果;
根据所述第二健康度与POI状态的匹配关系,确定与所述第二健康度匹配的第三最新状态;
基于所述第三最新状态,更新所述POI状态。
4.根据权利要求3所述的方法,所述基于核验结果对所述POI状态进行再次预测,得到表征所述POI状态的第二健康度,包括:
确定采取的目标核验方式;
基于所述目标核验方式对所述POI状态进行核验,获取表征所述POI状态的核验结果;
将所述核验结果、所述静态特征和所述动态特征输入健康度预测模型进行再次预测,输出表征所述POI状态的第二健康度。
5.根据权利要求1-4中任意一项所述的方法,还包括:
若检测到核验对象触发核验条件,则对所述POI状态进行核验,得到核验结果;
将所述核验结果、所述静态特征和所述动态特征输入健康度预测模型中进行预测,输出表征所述POI状态的第三健康度;
根据所述第三健康度与POI状态的匹配关系,确定与所述第三健康度匹配的第四最新状态,并基于所述第四最新状态更新所述POI状态。
6.根据权利要求1-4中任意一项所述的方法,其中,所述基于所述静态特征和所述动态特征,预测表征所述POI状态的第一健康度,包括:
对所述静态特征进行处理,得到目标静态特征;
将预设周期内的动态特征输入时序模型,输出所述动态特征表征的动态健康度;
对所述目标静态特征和所述动态健康度进行融合,得到融合特征;
基于所述融合特征预测表征所述POI状态的第一健康度。
7. 根据权利要求6所述的方法,其中,所述对所述静态特征进行处理,得到目标静态特征,包括:
采用梯度提升决策树将所述静态特征进行特征组合,生成树结构,确定所述树结构中的每条路径,并将每条路径最末梢的静态特征作为目标静态特征;或者
对所述静态特征进行离散化处理,将得到离散化静态特征,作为目标静态特征。
8.一种更新兴趣点POI状态的装置,包括:
确定单元,用于确定POI的静态特征和动态特征;
预测单元,用于基于所述静态特征和所述动态特征,预测表征所述POI状态的第一健康度;
更新单元,用于基于与所述第一健康度匹配的最新状态,更新所述POI状态。
9.根据权利要求8所述的装置,其中,所述更新单元用于:
若所述第一健康度大于或等于健康阈值,则根据所述第一健康度与POI状态的匹配关系,确定与所述第一健康度匹配的第一最新状态;
若所述第一健康度小于健康阈值,则根据所述第一健康度与POI状态的匹配关系,确定与所述第一健康度匹配的第二最新状态;
基于所述第一最新状态或所述第二最新状态,更新所述POI状态。
10.根据权利要求9所述的装置,其中,所述更新单元还用于:
若所述第一健康度小于健康阈值,且所述POI的重要程度大于或等于重要程度阈值,则基于核验结果对所述POI状态进行再次预测,得到表征所述POI状态的第二健康度,所述重要程度为所述POI状态对用户体验的影响程度,所述核验结果为对POI状态进行核验得到的结果;
根据所述第二健康度与POI状态的匹配关系,确定与所述第二健康度匹配的第三最新状态;
基于所述第三最新状态,更新所述POI状态。
11.根据权利要求10所述的装置,所述更新单元还用于:
确定采取的目标核验方式;
基于所述目标核验方式对所述POI状态进行核验,获取表征所述POI状态的核验结果;
将所述核验结果、所述静态特征和所述动态特征输入健康度预测模型进行再次预测,输出表征所述POI状态的第二健康度。
12.根据权利要求8-11中任意一项所述的装置,还包括:
检测单元,用于在检测到核验对象触发核验条件的情况下,对所述POI状态进行核验,得到核验结果;并将所述核验结果、所述静态特征和所述动态特征输入健康度预测模型中进行预测,输出表征所述POI状态的第三健康度;还用于根据所述第三健康度与POI状态的匹配关系,确定与所述第三健康度匹配的第四最新状态,并基于所述第四最新状态更新所述POI状态。
13.根据权利要求8-11中任意一项所述的装置,其中,所述预测单元还用于:
对所述静态特征进行处理,得到目标静态特征;
将预设周期内的动态特征输入时序模型,输出所述动态特征表征的动态健康度;
对所述目标静态特征和所述动态健康度进行融合,得到融合特征;
基于所述融合特征预测表征所述POI状态的第一健康度。
14. 根据权利要求13所述的装置,其中,所述预测单元采用下列方式对所述静态特征进行处理,得到目标静态特征:
采用梯度提升决策树将所述静态特征进行特征组合,生成树结构,确定所述树结构中的每条路径,并将每条路径最末梢的静态特征作为目标静态特征;或者
对所述静态特征进行离散化处理,将得到离散化静态特征,作为目标静态特征。
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1-7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1-7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1-7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210308925.7A CN114417192B (zh) | 2022-03-28 | 2022-03-28 | 更新兴趣点poi状态的方法、装置、设备、介质及产品 |
PCT/CN2022/104698 WO2023184777A1 (zh) | 2022-03-28 | 2022-07-08 | 更新兴趣点poi状态的方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210308925.7A CN114417192B (zh) | 2022-03-28 | 2022-03-28 | 更新兴趣点poi状态的方法、装置、设备、介质及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417192A true CN114417192A (zh) | 2022-04-29 |
CN114417192B CN114417192B (zh) | 2022-07-12 |
Family
ID=81264125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210308925.7A Active CN114417192B (zh) | 2022-03-28 | 2022-03-28 | 更新兴趣点poi状态的方法、装置、设备、介质及产品 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114417192B (zh) |
WO (1) | WO2023184777A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925280A (zh) * | 2022-06-08 | 2022-08-19 | 北京百度网讯科技有限公司 | 兴趣点质量的校验方法、装置、电子设备和介质 |
WO2023184777A1 (zh) * | 2022-03-28 | 2023-10-05 | 北京百度网讯科技有限公司 | 更新兴趣点poi状态的方法、装置、设备、介质及产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190014185A1 (en) * | 2017-07-04 | 2019-01-10 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for pushing information |
US20200081908A1 (en) * | 2018-09-10 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Internet text mining-based method and apparatus for judging validity of point of interest |
CN111460056A (zh) * | 2019-01-22 | 2020-07-28 | 阿里巴巴集团控股有限公司 | 一种过期poi的挖掘方法及装置 |
US20200300656A1 (en) * | 2019-03-24 | 2020-09-24 | Apple Inc. | Systems and methods for resolving points of interest on maps |
CN111782973A (zh) * | 2020-06-04 | 2020-10-16 | 汉海信息技术(上海)有限公司 | 兴趣点状态预测方法、装置、电子设备及存储介质 |
WO2021227535A1 (zh) * | 2020-05-14 | 2021-11-18 | 华为技术有限公司 | 预测节点状态的方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231175B (zh) * | 2007-01-25 | 2011-04-20 | 环达电脑(上海)有限公司 | 在全球定位系统电子地图上标注兴趣点的方法 |
US10422657B2 (en) * | 2015-07-17 | 2019-09-24 | International Business Machines Corporation | Notification of proximal points of interest |
CN114417192B (zh) * | 2022-03-28 | 2022-07-12 | 北京百度网讯科技有限公司 | 更新兴趣点poi状态的方法、装置、设备、介质及产品 |
-
2022
- 2022-03-28 CN CN202210308925.7A patent/CN114417192B/zh active Active
- 2022-07-08 WO PCT/CN2022/104698 patent/WO2023184777A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190014185A1 (en) * | 2017-07-04 | 2019-01-10 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for pushing information |
US20200081908A1 (en) * | 2018-09-10 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Internet text mining-based method and apparatus for judging validity of point of interest |
CN111460056A (zh) * | 2019-01-22 | 2020-07-28 | 阿里巴巴集团控股有限公司 | 一种过期poi的挖掘方法及装置 |
US20200300656A1 (en) * | 2019-03-24 | 2020-09-24 | Apple Inc. | Systems and methods for resolving points of interest on maps |
WO2021227535A1 (zh) * | 2020-05-14 | 2021-11-18 | 华为技术有限公司 | 预测节点状态的方法和装置 |
CN111782973A (zh) * | 2020-06-04 | 2020-10-16 | 汉海信息技术(上海)有限公司 | 兴趣点状态预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
MD. ASHRAFULISLAM等: "A survey on deep learning based Point-of-Interest (POI) recommendations", 《NEUROCOMPUTING》 * |
MD. ASHRAFULISLAM等: "A survey on deep learning based Point-of-Interest (POI) recommendations", 《NEUROCOMPUTING》, vol. 472, 1 February 2022 (2022-02-01) * |
路新江: "基于移动感知数据的城市兴趣点生命周期预测研究", 《中国博士学位论文全文数据库 (电子期刊)》 * |
路新江: "基于移动感知数据的城市兴趣点生命周期预测研究", 《中国博士学位论文全文数据库 (电子期刊)》, 15 February 2020 (2020-02-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023184777A1 (zh) * | 2022-03-28 | 2023-10-05 | 北京百度网讯科技有限公司 | 更新兴趣点poi状态的方法、装置、设备、介质及产品 |
CN114925280A (zh) * | 2022-06-08 | 2022-08-19 | 北京百度网讯科技有限公司 | 兴趣点质量的校验方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023184777A1 (zh) | 2023-10-05 |
CN114417192B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10831827B2 (en) | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data | |
RU2721176C2 (ru) | Системы и способы для предсказания поведения пользователя на основе данных о местоположении | |
CN114417192B (zh) | 更新兴趣点poi状态的方法、装置、设备、介质及产品 | |
US8832003B1 (en) | Provision of computer resources based on location history | |
US20180285779A1 (en) | Method and Device for Generating Information | |
JP4950508B2 (ja) | 施設情報管理システム、施設情報管理装置、施設情報管理方法および施設情報管理プログラム | |
US20190164081A1 (en) | Predicting geofence performance for optimized location based services | |
JP2023510665A (ja) | リスク予測モデルの確立方法、領域リスク予測方法、及び対応装置 | |
CN111405030B (zh) | 一种消息推送方法、装置、电子设备和存储介质 | |
CN111708876A (zh) | 生成信息的方法和装置 | |
CN105447038A (zh) | 用于获取用户特征的方法和系统 | |
US20160315801A1 (en) | System for Networking and Analyzing Geospatial Data, Human Infrastructure, and Natural Elements | |
CN112069275A (zh) | 一种目的地预测方法、装置、电子设备及存储介质 | |
CN112000893A (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
JP2021174560A (ja) | 経済状態の予測方法、経済状態予測モデルの構築方法及び対応装置 | |
US10152677B2 (en) | System and methodology to handle misdirected input data during multi partitioned real time analytics | |
CN114417118A (zh) | 一种异常数据处理方法、装置、设备以及存储介质 | |
CN113158030A (zh) | 异地兴趣点的推荐方法、装置、电子设备及存储介质 | |
US10824777B2 (en) | Employing natural language processing to facilitate geospatial analysis | |
Kaur et al. | ANFIS-based flood detection and vulnerability assessment framework | |
US11138615B1 (en) | Location-based place attribute prediction | |
CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
Huu et al. | Development of warning and predicting system for quality of air in smart cities using RNN | |
US11810209B2 (en) | Outage restoration time prediction during weather events and optimized solutions for recovery | |
CN111125272A (zh) | 一种区域特征获取方法、装置、计算机设备及介质 |
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 |