CN115936817A - 一种乘客订单起点聚合方法、装置及计算机设备 - Google Patents
一种乘客订单起点聚合方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN115936817A CN115936817A CN202211735971.1A CN202211735971A CN115936817A CN 115936817 A CN115936817 A CN 115936817A CN 202211735971 A CN202211735971 A CN 202211735971A CN 115936817 A CN115936817 A CN 115936817A
- Authority
- CN
- China
- Prior art keywords
- position data
- aggregation
- subset
- point
- sub
- 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
- 230000002776 aggregation Effects 0.000 title claims abstract description 237
- 238000004220 aggregation Methods 0.000 title claims abstract description 237
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000004931 aggregating effect Effects 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Navigation (AREA)
Abstract
本发明实施例公开了一种乘客订单起点聚合方法、装置及计算机设备,该方法包括:获取预设时间段内所有乘客上车的位置数据集合,以及每一个位置数据对应的时间数据,以时间为单位将位置数据归类为多个位置数据子集合,可以准确的区分哪些是新的位置数据,哪些是之前的位置数据;进一步地,针对每一个位置数据子集合进行聚合,得到至少一个聚合点,每一个位置数据子集合是单独进行聚合的,避免了将之前的位置数据将新出现的位置数据覆盖掉的情况;在此基础上,将每一个位置数据子集合聚合得到的聚合点与其他位置数据子集合中的聚合点进行合并,直至将所有的聚合点全部聚合完成到目标聚合点。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种乘客订单起点聚合方法、装置及计算机设备。
背景技术
随着互联网技术的发展,网约车已经应用到大家生活的方方面面。乘客在选择订单起点时,如果直接将乘客所在位置作为起点时,该起点可能是司机无法到达的点,将会增加乘客与司机的沟通成本。
而现有技术中,系统会向乘客推荐与乘客定位接近的在历史订单中司机可以到达的位置作为订单的起点,而推荐的算法是使用一段时间内的所有的订单起点向乘客推荐,当乘客上车的位置点出现变化后,变化后的位置点很容易被大量的旧数据覆盖掉,导致平台还向乘客推荐之前的位置点为起点,因此亟需提出一种全新的位置数据聚合方法,避免出现新的位置起点被覆盖的情况。
发明内容
因此,为解决现有技术的不足,本发明实施例提供了一种乘客订单起点聚合方法、装置及计算机设备。
根据第一方面,本发明实施例公开了乘客订单起点聚合方法,获取预设时间段内所有乘客上车的位置数据集合,以及位置数据集合中每一个位置数据对应的时间数据,其中,位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成预设时间段;
对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点;
在第i次聚合时,将多个位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合,其中,第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间;
直至多个位置数据子集合中的聚合点全部被聚合完成,获取最终的聚合点集合后,结束聚合操作;
并将最终的聚合点集合的聚合点作为目标聚合点。
可选地,对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点,具体包括:
按照预设规则,将第一位置数据子集合中的位置数据划分为多个子位置数据子集合,第一位置数据子集合为多个位置数据子集合中的任一个;
将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,第一子位置数据子集合为多个子位置数据子集合中的任一个,每一个点群包括至少一个位置数据;
将第一点群的质心作为聚合点,第一点群为多个点群中的任一个。
可选地,位置数据包括第一坐标和第二坐标,将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,具体包括:
根据第一子位置数据子集合中所有位置数据分别对应的第一坐标和第二坐标,将第一子位置数据子集合中所有的位置数据进行划分,得到多个位置数据组;
确定第一位置数据所在的第一位置数据组,第一位置数据为第一子位置数据子集合中的任一个位置数据;
根据第一位置数据组,第一位置数据组与其他位置数据组之间的映射关系,确定与第一位置数据组具有关联关系的至少一个第二位置数据组;
根据至少一个第二位置数据组中位置数据和第一位置数据进行聚类,得到多个点群。
可选地,根据第一子位置数据子集合中所有位置数据分别对应的第一坐标和第二坐标,将第一子位置数据子集合中所有的位置数据进行划分,得到多个位置数据组,具体包括:
根据第一子位置数据子集合中第一位置数据的第一坐标、第一子位置数据子集合中除第一位置数据之外的其他位置数据的第一坐标,以及第一位置数据子集合中位置数据的个数,得到第一坐标差异;
根据第一子位置数据子集合中第一位置数据的第二坐标、第一子位置数据子集合中除第一位置数据之外的其他位置数据的第二坐标,以及第一子位置数据子集合中位置数据的个数,得到第二坐标差异;
根据第一坐标差异和第二坐标差异将第一子位置数据子集合中的位置数据划分为多个位置数据组,且每一个位置数据属于一个位置数据组。
可选地,根据第一坐标差异和第二坐标差异将第一子位置数据子集合中的位置数据划分为多个位置数据组,具体包括:
当第一坐标差异大于第二坐标差异,则以第一坐标的方向为基准,将第一位置数据集合中的位置数据划分为多个位置数据组;
或
当第一坐标差异小于第二坐标差异,则以第二坐标的方向为基准,将第一子位置数据集合中的位置数据划分为多个位置数据组。
可选地,方法还包括:
若第i+1个位置数据子集合中的第一聚合点与第i个位置数据子集合中的第一聚合点的距离小于预设距离,则将第i+1个位置数据子集合中的第一聚合点划分到第i个位置数据子集合中的第一聚合点。
根据第二方面,本发明实施例公开了乘客订单起点聚合装置,获取模块,用于获取预设时间段内所有乘客上车的位置数据集合,以及位置数据集合中每一个位置数据对应的时间数据,其中,位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成预设时间段;
聚合模块,用于对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点;
合并模块,用于在第i次聚合时,将多个位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合,其中,第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间;
聚合完成模块,用于直至多个位置数据子集合中的聚合点全部被聚合完成,获取最终的聚合点集合后,结束聚合操作;
确定目标聚合点模块,用于并将最终的聚合点集合的聚合点作为目标聚合点。
可选地,聚合模块,具体用于:
按照预设规则,将第一位置数据子集合中的位置数据划分为多个子位置数据子集合,第一位置数据子集合为多个位置数据子集合中的任一个;
将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,第一子位置数据子集合为多个子位置数据子集合中的任一个,每一个点群包括至少一个位置数据;
将第一点群的质心作为聚合点,第一点群为多个点群中的任一个。
根据第三方面,本发明实施例还公开了一种计算机设备,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执行如第一方面或第一方面任一可选实施方式的乘客订单起点聚合方法的步骤。
根据第四方面,本发明实施方式还公开了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式的乘客订单起点聚合方法的步骤。
本发明技术方案,具有如下优点:
本发明提供的乘客订单起点聚合方法,该方法包括,获取预设时间段内所有乘客上车的位置数据集合,以及位置数据集合中每一个位置数据对应的时间数据,其中位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成预设时间段,以时间为单位将位置数据归类为多个位置数据子集合,可以准确的区分哪些是新的位置数据,哪些是之前的位置数据;进一步地,针对每一个位置数据子集合进行聚合,得到至少一个聚合点,每一个位置数据子集合是单独进行聚合的,避免了将之前的位置数据将新出现的位置数据覆盖掉的情况;在此基础上,将每一个位置数据子集合聚合得到的聚合点与其他位置数据子集合中的聚合点进行合并,直至将所有的聚合点全部聚合完成到目标聚合点,具体的聚合方法为在第i次聚合时,将多个位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合,其中,第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间,这样以最新的单位时间对应的位置数据为基准进行聚合,保留了最近单位时间内的聚合点,进一步确保了不会被之前的位置数据的覆盖的情况。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中乘客订单起点聚合方法的一个具体示例的流程图;
图2为本发明实施例中乘客订单起点聚合方法的一个具体示例的示意图;、
图3为本发明实施例中乘客订单起点聚合方法的一个具体示例的示意图;
图4为本发明实施例中乘客订单起点聚合方法的一个具体示例的流程图;
图5为本发明实施例中乘客订单起点聚合方法的一个具体示例的示意图;
图6a、图6b、图6c以及图6d为本发明实施例中乘客订单起点聚合方法的一个具体示例的示意图;
图7为本发明实施例中乘客订单起点聚合方法的一个具体示例的流程图;
图8为本发明实施例中乘客订单起点聚合方法的一个具体示例的流程图;
图9为本发明实施例中乘客订单起点聚合的一个具体示例的原理框图;
图10为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
针对背景技术中所提及的技术问题,本申请实施例提供了一种乘客订单起点聚合方法,具体参见图1所示,为本发明实施例提供的一种乘客订单起点聚合方法流程示意图,乘客订单起点聚合方法包括如下步骤:
步骤101,获取预设时间段内所有乘客上车的位置数据集合,以及位置数据集合中每一个位置数据对应的时间数据。
其中,位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成预设时间段。
示例性地,预设时间段为根据预设时间段内的位置数据进行聚合的时间跨度,在本实施例中采用半年为基准,同样本申请实施例中的单位时间段采用一天作为单位时间,当然,本申请对于预设时间段的大小和单位时间的大小不做限定,本领域技术人员可以根据实际情况确定。
位置数据为整个订单中的实际起点,也就是司机可以到达的点作为位置数据,这里如何确定对应的位置数据就是司机可以到达的位置数据呢,一般在乘客上车后司机开始行程时,司机点击或者滑动“开始行程”标志,对应的司机端的APP会向服务端发送此时司机的位置数据,这时的位置数据即为本申请实施例中需要的位置数据。
如图2所示,乘客选取自己所在的位置点下单,而司机无法进入该小区,乘客当前点即为不可到达点。司机赶到附近时需要联系乘客再次确认上车位置,如果双方沟通不畅则有可能导致乘客找不到司机的情况,这时乘客自己定位的位置数据不能作为本申请中的位置数据,由于乘客定位的位置数据司机不能达到,因此需要向乘客推荐司机可以达到的点作为订单的起点。
步骤102,对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点。
示例性地,在获取到对应的位置数据后,对每一天内的位置数据进行聚合,得到多个位置数据的聚合点。具体地,可以采用K-means算法对一天内的为位置数据进行聚合,得到多个点群,每一个点群对应的质心作为聚合点,一天内的位置数据进行聚合后会得到至少一个聚合点,质心的公式:
其中,loni为位置数据的经度坐标,lati为位置数据的纬度坐标,Cluster为点群,Centroid(lon,lat)为质心。
如图3所示,较小的点为没有进行聚合的位置数据,较大的点为经过聚合后位置数据对应的聚合点。
在一个优选的实施例中,对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点,如图4所示,具体可以是:
步骤401,按照预设规则,将第一位置数据子集合中的位置数据划分为多个子位置数据子集合。
第一位置数据子集合为多个位置数据子集合中的任一个。
示例性地,当需要对某一地区进行更加针对性的研究,同时为了减少计算量提高计算效率,可以将第一位置数据子集合中的位置数据再次划分为多个子位置数据子集合,对每一个子位置数据子集合的位置数据分别进行聚类,进而提高数据的计算效率。
具体地,划分方法可以将第一位置数据子集合中的位置数据以空间区域进行划分,划分时以H3网格进行切分,其次针对每一个网格内的位置数据,采用Bi-Kmeans算法进行聚合。其中H3网格是由Uber开源的一个六边形分层索引网格系统,以六边形的网格将整个地理空间分隔开,不同等级的H3网格代表了不同大小的六边形区域,如图5所示,为采用H3网格对位置数据进行划分的示意图,利用H3网格系统,可以将整个地理空间划分为多个六边形区域,区域内的位置点互不干涉,因此可以独立地对每个区域内的位置点进行聚合,不同区域内的聚合任务可以下发给不同的机器进行处理。
步骤402,将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,第一子位置数据子集合为多个子位置数据子集合中的任一个,每一个点群包括至少一个位置数据;
示例性地,在得到多个子位置数据子集合后,针对每一个子位置数据集合可以采用K-Means算法对集合内的位置数据进行聚类,得到多个点群。
优选地,还可以采用Bi-Kmeans算法进行聚类,具体的实现过程可以是首先将所有的位置数据看作一个点群,遍历所有位置数据计算其误差平方和(SSE);开始循环,扫描当前存在的所有点群,依次将其二分,计算二分该点群后所有位置数据的误差平方和,选择误差平方和最小的划分方法;若当前已存在足够多的点群,或当前的误差平方和达到了设点的阈值,则停止聚合;停止算法后的点群即为空间中坐标点聚合后的结果,同一个点群中的点将聚合在该点群的质心上,其中质心是点群中位置数据经度坐标的平均值与纬度坐标的平均值,如图6a-图6d为Bi-Kmeans算法示意图,图7为点群与质心之间关系的示意图,利用质心作为点群中位置点的聚合点可以有效反映点的分布情况,让聚合点代表点群中的大多数点的位置,减弱点群中GPS飘点与异常点对聚合点的干扰。
聚类的过程中虽然对位置数据进行了时间和位置上的划分,但是由于数据量过于庞大,其计算量依旧非常大,为进一步减少计算量,提高计算的效率,在一个优选的实施例中,可以预先构建每一个子位置数据子集合中位置数据的数据结构,随后根据对应的数据结构来进行聚类,这样就可以解决在进行聚类时,每聚类一次都需要计算以其他点之间的距离,采用预先构建数据结构的方法只需要在最一开始计算一次即可。
具体的实现方法如图8所示,位置数据包括第一坐标和第二坐标,将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,具体可以包括:
步骤801,根据第一子位置数据子集合中所有位置数据分别对应的第一坐标和第二坐标,将第一子位置数据子集合中所有的位置数据进行划分,得到多个位置数据组。
示例性地,这里的第一坐标为位置数据的经度坐标,第二坐标为位置数据的纬度坐标,根据每一个位置数据的经度坐标和纬度坐标构建每一个子位置数据子集合中位置数据的数据结构,这里提高的多个位置数据组也就是数据结构中的位置数据之间的关系,构建数据结构的方法可以采用Faiss,kdb-tree,网格索引,R-tree以及R+tree等算法进行构建,本申请实施例对上述构建数据结构的方法不做限定,本领域技术人员可以根据实际情况确定。
在一个优选的实施例中,可以采用KD-Tree的方法来构建数据结构,KD-Tree是一种空间索引数据结构,在线性空间中,查找一个特定的点可以通过将数据排序后进行二分查找,或者将数据构建为二叉查找树(BST)进行查找,KD-Tree为二叉查找树的多维拓展,在树的节点对位置数据进行划分时,利用方差最大的特征对位置数据进行二分,建好的树可以在常数极的时间内完成对目标点周边范围内所有点的搜索,在本申请实施例中,KD-Tree用来在检测位置数据周边其他位置数据时进行优化计算速度。
具体地,根据第一子位置数据子集合中所有位置数据分别对应的第一坐标和第二坐标,将第一子位置数据子集合中所有的位置数据进行划分,得到多个位置数据组,具体包括:
根据第一子位置数据子集合中第一位置数据的第一坐标、第一子位置数据子集合中除第一位置数据之外的其他位置数据的第一坐标,以及第一位置数据子集合中位置数据的个数,得到第一坐标差异;根据第一子位置数据子集合中第一位置数据的第二坐标、第一子位置数据子集合中除第一位置数据之外的其他位置数据的第二坐标,以及第一子位置数据子集合中位置数据的个数,得到第二坐标差异;根据第一坐标差异和第二坐标差异将第一子位置数据子集合中的位置数据划分为多个位置数据组,且每一个位置数据属于一个位置数据组。
在一个优选的实施例中,根据第一坐标差异和第二坐标差异将第一子位置数据子集合中的位置数据划分为多个位置数据组,具体包括:
当第一坐标差异大于第二坐标差异,则以第一坐标的方向为基准,将第一位置数据集合中的位置数据划分为多个位置数据组;或
当第一坐标差异小于第二坐标差异,则以第二坐标的方向为基准,将第一子位置数据集合中的位置数据划分为多个位置数据组。
示例性地,在构建位置数据组时,计算子位置数据子集合中所有位置数据的经度坐标的方差(第一坐标差异),以及所有位置数据的纬度位置的方差(第二坐标差异),比较第一坐标差异与第二坐标差异的大小,以坐标差异大的方向为基准,将子位置数据子集合划分为两个坐标数据组;在此基础上,在此对两个坐标数据组内的位置数据进行划分,直至最后一个位置数据只属于一个位置数据组,这时划分完毕;划分完成后的位置数据组与前一次的位置数据组之间是上下级的关系,这样所有的位置数据之间就有了关联,在进行聚类时,只需要计算与当前位置数据相关的位置数据的之间的距离即可,不要在计算不相关的位置数据(距离特别远的数据),由此减少了数据的计算量,提高了计算速度。
步骤802,确定第一位置数据所在的第一位置数据组,第一位置数据为第一子位置数据子集合中的任一个位置数据。
步骤803,根据第一位置数据组,第一位置数据组与其他位置数据组之间的映射关系,确定与第一位置数据组具有关联关系的至少一个第二位置数据组。
示例性地,在进行聚类的过程中,由于前文的过程中已经构建完成对应的数位置数据组(数据结构),也就是位置数据之间的关系,在进行聚类的过程中确定当前位置数据所属的位置数据组,随后确定与当前位置数据组有关联的其他的位置数据组,关联的关系根据数据结构来确定。
步骤804,根据至少一个第二位置数据组中位置数据和第一位置数据进行聚类,得到多个点群。
示例性地,在确定与当前位置数据对应的位置数据组相关联的位置数据组之后,根据对应位置数据组中对应的位置数据进行聚类,得到多个点群,这里的聚类方法与前文中的相同,此处不再赘述,区别是不需要遍历所有的位置数据,减少了计算量,加速了聚合的速度。
步骤403,将第一点群的质心作为聚合点,第一点群为多个点群中的任一个。
示例性地,在点群计算完成之后以每一个点群的质心作为点群的聚合点,这样就得到位置数据子集合中的多个聚合点。每一个点群包括至少一个位置数据,对应的位置数据的个数可以作为对应聚合点的热度,也就是说热度越高,依次聚合点作为起点的次数也就越多。为排除异常点,可以将热度小于一定数量的聚合点排除,例如将热度小于5的聚合点删除,这类聚合点大多为GPS飘点或者数据异常点,GPS飘点为信号不佳时产生的位置数据。
另外,在得到第一子位置数据子集合中的聚合点后,当两个聚合点的距离太近(距离小于30m)时,可以将热度低的聚合点合并到热度高的聚合点中。
步骤103,在第i次聚合时,将多个位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合。
其中,第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间。
示例性地,在得到每一天内位置数据对应的聚合点后,需要将对应所有天数内的聚合进行整合,得到在预设时间段内的总的聚合点。
在一个优选的实施例中,若第i+1个位置数据子集合中的第一聚合点与第i个位置数据子集合中的第一聚合点的距离小于预设距离,则将第i+1个位置数据子集合中的第一聚合点划分到第i个位置数据子集合中的第一聚合点。
具体地聚合过程:将时间最近的一天内的聚合点称之为第一类聚合点,将与时间最近的一天内的聚合点聚合称之为第二类聚合点,将第二类聚合点整合到第一类聚合点中,具体的整合方法为,在筛选第二类聚合点中与第一类聚合点的距离小于30m的聚合点合并到对应的第一类聚合点内,将大于30m距离的第二类聚合点作为新的聚合点添加到第一类聚合点内,得到最近两天内的总聚合点;接下来依次聚合完成预设时间段内所有的单位时间内位置数据的聚合点。
步骤104,直至多个位置数据子集合中的聚合点全部被聚合完成,获取最终的聚合点集合后,结束聚合操作。
步骤105,并将最终的聚合点集合的聚合点作为目标聚合点。
示例性地,聚合完成后的目标聚合点可以在为后续向乘客推荐上车地点。这里得到的目标聚合点均是经纬度的位置坐标,为后续可以直观明了的向乘客推荐上车点,需要为目标聚合点的位置坐标赋予名称,可以识别对应的地点名称中的‘省’、‘市’、‘区’以及‘具体地名’,从而做到对不同位置数据中同一个地点不同名字的清洗,得到准确简洁的名称,如“北京市朝阳区望京国际研发园”以及“望京国际研发园”。
在对每个位置数据子集合以及每一个子位置数据子集合中的数据进行计算时,可以采用Map/Reduce分布式计算,以此提高计算速度。
本发明提供的乘客订单起点聚合方法获取预设时间段内所有乘客上车的位置数据集合,以及位置数据集合中每一个位置数据对应的时间数据,其中位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成预设时间段,以时间为单位将位置数据归类为多个位置数据子集合,可以准确的区分哪些是新的位置数据,哪些是之前的位置数据;进一步地,针对每一个位置数据子集合进行聚合,得到至少一个聚合点,每一个位置数据子集合是单独进行聚合的,避免了将之前的位置数据将新出现的位置数据覆盖掉的情况;在此基础上,将每一个位置数据子集合集合得到的聚合点与其他位置数据子集合中的聚合点进行合并,直至将所有的聚合点全部聚合完成到目标聚合点,具体的聚合方法为在第i次聚合时,将多个位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合,其中,第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间,这样以最新的单位时间对应的位置数据为基准进行聚合,保留了最近单位时间内的聚合点,进一步确保了不会被之前的位置数据的覆盖的情况。
以上,为本申请所提供的乘客订单起点聚合几个方法实施例,下文中则介绍说明本申请所提供的乘客订单起点聚合其他实施例,具体参见如下。
本发明实施例还公开了一种乘客订单起点聚合装置,如图9所示,该装置包括:
获取模块901,用于获取预设时间段内所有乘客上车的位置数据集合,以及位置数据集合中每一个位置数据对应的时间数据,其中,位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成预设时间段;
聚合模块902,用于对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点;
合并模块903,用于在第i次聚合时,将多个位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合,其中,第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间;
聚合完成模块904,用于直至多个位置数据子集合中的聚合点全部被聚合完成,获取最终的聚合点集合后,结束聚合操作;
确定目标聚合点模块905,用于并将最终的聚合点集合的聚合点作为目标聚合点。
作为本发明一个可选的实施方式,聚合模块,具体用于:
按照预设规则,将第一位置数据子集合中的位置数据划分为多个子位置数据子集合,第一位置数据子集合为多个位置数据子集合中的任一个;
将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,第一子位置数据子集合为多个子位置数据子集合中的任一个,每一个点群包括至少一个位置数据;
将第一点群的质心作为聚合点,第一点群为多个点群中的任一个。
作为本发明一个可选的实施方式,位置数据包括第一坐标和第二坐标,将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,装置还用于:
根据第一子位置数据子集合中所有位置数据分别对应的第一坐标和第二坐标,将第一子位置数据子集合中所有的位置数据进行划分,得到多个位置数据组;
确定第一位置数据所在的第一位置数据组,第一位置数据为第一子位置数据子集合中的任一个位置数据;
根据第一位置数据组,第一位置数据组与其他位置数据组之间的映射关系,确定与第一位置数据组具有关联关系的至少一个第二位置数据组;
根据至少一个第二位置数据组中位置数据和第一位置数据进行聚类,得到多个点群。
作为本发明一个可选的实施方式,根据第一子位置数据子集合中所有位置数据分别对应的第一坐标和第二坐标,将第一子位置数据子集合中所有的位置数据进行划分,得到多个位置数据组,装置还用于:
根据第一子位置数据子集合中第一位置数据的第一坐标、第一子位置数据子集合中除第一位置数据之外的其他位置数据的第一坐标,以及第一位置数据子集合中位置数据的个数,得到第一坐标差异;
根据第一子位置数据子集合中第一位置数据的第二坐标、第一子位置数据子集合中除第一位置数据之外的其他位置数据的第二坐标,以及第一子位置数据子集合中位置数据的个数,得到第二坐标差异;
根据第一坐标差异和第二坐标差异将第一子位置数据子集合中的位置数据划分为多个位置数据组,且每一个位置数据属于一个位置数据组。
作为本发明一个可选的实施方式,根据第一坐标差异和第二坐标差异将第一子位置数据子集合中的位置数据划分为多个位置数据组,装置还用于:
当第一坐标差异大于第二坐标差异,则以第一坐标的方向为基准,将第一位置数据集合中的位置数据划分为多个位置数据组;
或
当第一坐标差异小于第二坐标差异,则以第二坐标的方向为基准,将第一子位置数据集合中的位置数据划分为多个位置数据组。
作为本发明一个可选的实施方式,装置还用于:
若第i+1个位置数据子集合中的第一聚合点与第i个位置数据子集合中的第一聚合点的距离小于预设距离,则将第i+1个位置数据子集合中的第一聚合点划分到第i个位置数据子集合中的第一聚合点。
本发明实施例提供的乘客订单起点聚合中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述,因此这里不再赘述。
通过执行该装置,获取预设时间段内所有乘客上车的位置数据集合,以及位置数据集合中每一个位置数据对应的时间数据,其中位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成预设时间段,以时间为单位将位置数据归类为多个位置数据子集合,可以准确的区分哪些是新的位置数据,哪些是之前的位置数据;进一步地,针对每一个位置数据子集合进行聚合,得到至少一个聚合点,每一个位置数据子集合是单独进行聚合的,避免了将之前的位置数据将新出现的位置数据覆盖掉的情况;在此基础上,将每一个位置数据子集合集合得到的聚合点与其他位置数据子集合中的聚合点进行合并,直至将所有的聚合点全部聚合完成到目标聚合点,具体的聚合方法为在第i次聚合时,将多个位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合,其中,第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间,这样以最新的单位时间对应的位置数据为基准进行聚合,保留了最近单位时间内的聚合点,进一步确保了不会被之前的位置数据的覆盖的情况。
本发明实施例还提供了一种计算机设备,如图10所示,该计算端可以包括处理器1001和存储器1002,其中处理器1001和存储器1002可以通过总线或者其他方式连接,图10中以通过总线连接为例。
处理器1001可以为中央处理器(Central Processing Unit,CPU)。处理器1001还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器1002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的乘客订单起点聚合方法对应的程序指令/模块。处理器1001通过运行存储在存储器1002中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的乘客订单起点聚合方法。
存储器1002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器1001所创建的数据等。此外,存储器1002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器1002可选包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至处理器1001。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器1002中,当被处理器1001执行时,执行如图1所示实施例中的乘客订单起点聚合方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种乘客订单起点聚合方法,其特征在于,所述方法包括:
获取预设时间段内所有乘客上车的位置数据集合,以及所述位置数据集合中每一个位置数据对应的时间数据,其中,所述位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成所述预设时间段;
对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点;
在第i次聚合时,将多个所述位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合,其中,所述第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间;
直至多个所述位置数据子集合中的聚合点全部被聚合完成,获取最终的聚合点集合后,结束聚合操作;
并将所述最终的聚合点集合的聚合点作为目标聚合点。
2.根据权利要求1所述的方法,其特征在于,所述对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点,具体包括:
按照预设规则,将第一位置数据子集合中的位置数据划分为多个子位置数据子集合,所述第一位置数据子集合为多个位置数据子集合中的任一个;
将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,第一子位置数据子集合为多个子位置数据子集合中的任一个,每一个点群包括至少一个位置数据;
将第一点群的质心作为聚合点,所述第一点群为多个点群中的任一个。
3.根据权利要求2所述的方法,其特征在于,所述位置数据包括第一坐标和第二坐标,所述将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,具体包括:
根据所述第一子位置数据子集合中所有位置数据分别对应的第一坐标和第二坐标,将所述第一子位置数据子集合中所有的位置数据进行划分,得到多个位置数据组;
确定第一位置数据所在的第一位置数据组,所述第一位置数据为所述第一子位置数据子集合中的任一个位置数据;
根据所述第一位置数据组,所述第一位置数据组与其他位置数据组之间的映射关系,确定与所述第一位置数据组具有关联关系的至少一个第二位置数据组;
根据至少一个第二位置数据组中位置数据和所述第一位置数据进行聚类,得到多个点群。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一子位置数据子集合中所有位置数据分别对应的第一坐标和第二坐标,将所述第一子位置数据子集合中所有的位置数据进行划分,得到多个位置数据组,具体包括:
根据第一子位置数据子集合中第一位置数据的第一坐标、所述第一子位置数据子集合中除所述第一位置数据之外的其他位置数据的第一坐标,以及所述第一位置数据子集合中位置数据的个数,得到第一坐标差异;
根据第一子位置数据子集合中第一位置数据的第二坐标、所述第一子位置数据子集合中除所述第一位置数据之外的其他位置数据的第二坐标,以及所述第一子位置数据子集合中位置数据的个数,得到第二坐标差异;
根据所述第一坐标差异和所述第二坐标差异将所述第一子位置数据子集合中的位置数据划分为多个位置数据组,且每一个位置数据属于一个位置数据组。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一坐标差异和所述第二坐标差异将所述第一子位置数据子集合中的位置数据划分为多个位置数据组,具体包括:
当所述第一坐标差异大于所述第二坐标差异,则以所述第一坐标的方向为基准,将所述第一位置数据集合中的位置数据划分为多个位置数据组;
或
当所述第一坐标差异小于所述第二坐标差异,则以所述第二坐标的方向为基准,将所述第一子位置数据集合中的位置数据划分为多个位置数据组。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
若所述第i+1个位置数据子集合中的第一聚合点与所述第i个位置数据子集合中的第一聚合点的距离小于预设距离,则将所述第i+1个位置数据子集合中的第一聚合点划分到所述第i个位置数据子集合中的第一聚合点。
7.一种乘客订单起点聚合装置,其特征在于,所述装置包括:
获取模块,用于获取预设时间段内所有乘客上车的位置数据集合,以及所述位置数据集合中每一个位置数据对应的时间数据,其中,所述位置数据集合中包括多个单位时间分别对应的位置数据子集合,多个单位时间构成所述预设时间段;
聚合模块,用于对每一个位置数据子集合中的位置数据进行聚合,得到至少一个聚合点;
合并模块,用于在第i次聚合时,将多个所述位置数据子集合中的第i个位置数据子集合中的聚合点,与第i+1个位置数据子集合中的聚合点进行聚合操作,确定第i个聚合点集合,其中,所述第i个位置数据集合为当前次聚合中,最新单位时间对应的位置数据子集合,i为正整数,且当i为1时,最新的单位时间对应的位置数据为多个单位时间中最新的单位时间;
聚合完成模块,用于直至多个所述位置数据子集合中的聚合点全部被聚合完成,获取最终的聚合点集合后,结束聚合操作;
确定目标聚合点模块,用于并将所述最终的聚合点集合的聚合点作为目标聚合点。
8.根据权利要求7所述的装置,其特征在于,所述聚合模块,具体用于:
按照预设规则,将第一位置数据子集合中的位置数据划分为多个子位置数据子集合,所述第一位置数据子集合为多个位置数据子集合中的任一个;
将第一子位置数据子集合中的位置数据进行聚类,得到多个点群,第一子位置数据子集合为多个子位置数据子集合中的任一个,每一个点群包括至少一个位置数据;
将第一点群的质心作为聚合点,所述第一点群为多个点群中的任一个。
9.一种计算机设备,其特征在于,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执行如权利要求1-6任一所述的乘客订单起点聚合方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被节点执行时实现如权利要求1-6任一所述的乘客订单起点聚合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211735971.1A CN115936817B (zh) | 2022-12-30 | 2022-12-30 | 一种乘客订单起点聚合方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211735971.1A CN115936817B (zh) | 2022-12-30 | 2022-12-30 | 一种乘客订单起点聚合方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115936817A true CN115936817A (zh) | 2023-04-07 |
CN115936817B CN115936817B (zh) | 2024-02-20 |
Family
ID=86557703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211735971.1A Active CN115936817B (zh) | 2022-12-30 | 2022-12-30 | 一种乘客订单起点聚合方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936817B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403560A (zh) * | 2017-08-17 | 2017-11-28 | 北京经纬恒润科技有限公司 | 一种推荐上车地点的方法及装置 |
CN108765933A (zh) * | 2018-07-18 | 2018-11-06 | 北京三快在线科技有限公司 | 一种推荐上车点的方法、装置、设备及存储介质 |
CN109936819A (zh) * | 2017-12-15 | 2019-06-25 | 北京嘀嘀无限科技发展有限公司 | 上车点推荐方法、装置及设备 |
CN110071973A (zh) * | 2019-04-19 | 2019-07-30 | 京东方科技集团股份有限公司 | 上车位置推荐方法、装置、设备及其存储介质 |
CN110533081A (zh) * | 2019-08-07 | 2019-12-03 | 北京三快在线科技有限公司 | 一种确定上车点信息的方法、装置、设备及存储介质 |
WO2021056303A1 (en) * | 2019-09-26 | 2021-04-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining a pick-up location |
CN113052397A (zh) * | 2021-04-19 | 2021-06-29 | 北京百度网讯科技有限公司 | 上车信息的确定方法、装置、电子设备和存储介质 |
WO2021232585A1 (zh) * | 2020-05-21 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的定位数据处理方法及相关设备 |
KR20210155209A (ko) * | 2020-06-15 | 2021-12-22 | 포티투닷 주식회사 | 승차 수요 이력 데이터에 대한 클러스터링 기법을 통한 승객 탑승 예상 지역 결정 방법, 이에 사용되는 관리 장치 및 승차 수요 이력 데이터에 대한 클러스터링 기법을 통한 승객 탑승 예상 지역 결정 방법을 실행시키는 프로그램이 기록된 기록 매체 |
CN114219171A (zh) * | 2021-12-23 | 2022-03-22 | 深圳依时货拉拉科技有限公司 | 一种上车点推荐方法、计算机可读存储介质及计算机设备 |
CN114610961A (zh) * | 2022-03-31 | 2022-06-10 | 深圳依时货拉拉科技有限公司 | 上车点推荐方法、装置、计算机设备和存储介质 |
CN114692015A (zh) * | 2022-03-10 | 2022-07-01 | 北京理工大学 | 一种基于密度聚类的乘车点推荐方法 |
GB202209429D0 (en) * | 2021-06-30 | 2022-08-10 | Transp Ip Holdings Llc | Systems and methods for estimating time of arrival of vehicle systems |
JP2022148593A (ja) * | 2021-03-24 | 2022-10-06 | 株式会社豊田自動織機 | 自律走行車 |
-
2022
- 2022-12-30 CN CN202211735971.1A patent/CN115936817B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403560A (zh) * | 2017-08-17 | 2017-11-28 | 北京经纬恒润科技有限公司 | 一种推荐上车地点的方法及装置 |
CN109936819A (zh) * | 2017-12-15 | 2019-06-25 | 北京嘀嘀无限科技发展有限公司 | 上车点推荐方法、装置及设备 |
CN108765933A (zh) * | 2018-07-18 | 2018-11-06 | 北京三快在线科技有限公司 | 一种推荐上车点的方法、装置、设备及存储介质 |
CN110071973A (zh) * | 2019-04-19 | 2019-07-30 | 京东方科技集团股份有限公司 | 上车位置推荐方法、装置、设备及其存储介质 |
CN110533081A (zh) * | 2019-08-07 | 2019-12-03 | 北京三快在线科技有限公司 | 一种确定上车点信息的方法、装置、设备及存储介质 |
WO2021056303A1 (en) * | 2019-09-26 | 2021-04-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining a pick-up location |
WO2021232585A1 (zh) * | 2020-05-21 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的定位数据处理方法及相关设备 |
KR20210155209A (ko) * | 2020-06-15 | 2021-12-22 | 포티투닷 주식회사 | 승차 수요 이력 데이터에 대한 클러스터링 기법을 통한 승객 탑승 예상 지역 결정 방법, 이에 사용되는 관리 장치 및 승차 수요 이력 데이터에 대한 클러스터링 기법을 통한 승객 탑승 예상 지역 결정 방법을 실행시키는 프로그램이 기록된 기록 매체 |
JP2022148593A (ja) * | 2021-03-24 | 2022-10-06 | 株式会社豊田自動織機 | 自律走行車 |
CN113052397A (zh) * | 2021-04-19 | 2021-06-29 | 北京百度网讯科技有限公司 | 上车信息的确定方法、装置、电子设备和存储介质 |
GB202209429D0 (en) * | 2021-06-30 | 2022-08-10 | Transp Ip Holdings Llc | Systems and methods for estimating time of arrival of vehicle systems |
CN114219171A (zh) * | 2021-12-23 | 2022-03-22 | 深圳依时货拉拉科技有限公司 | 一种上车点推荐方法、计算机可读存储介质及计算机设备 |
CN114692015A (zh) * | 2022-03-10 | 2022-07-01 | 北京理工大学 | 一种基于密度聚类的乘车点推荐方法 |
CN114610961A (zh) * | 2022-03-31 | 2022-06-10 | 深圳依时货拉拉科技有限公司 | 上车点推荐方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
白墨琛: "基于海量数据挖掘的打车推荐系统", 中国优秀硕士电子期刊 * |
Also Published As
Publication number | Publication date |
---|---|
CN115936817B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105677804B (zh) | 权威站点的确定以及权威站点数据库的建立方法和装置 | |
CN106557829B (zh) | 用车业务中获取需求与运力不匹配区域的方法和装置 | |
CN108133619B (zh) | 停车场停车预测的方法、装置、存储介质及终端设备 | |
WO2019205020A1 (zh) | 一种路况识别方法、装置及设备 | |
WO2015154438A1 (zh) | 定位方法及装置 | |
CN109165787B (zh) | 公交路线定制方法、装置以及设备 | |
CN112700479B (zh) | 一种基于cnn点云目标检测的配准方法 | |
WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN106708837B (zh) | 兴趣点搜索方法、装置 | |
CN112634297B (zh) | 高精地图制作方法、装置、电子设备和存储介质 | |
CN109885635B (zh) | 地图关联方法、装置、存储介质及计算机设备 | |
CN113776610A (zh) | 一种车辆油耗的确定方法及装置 | |
CN110689180A (zh) | 一种基于地理位置的智能路线规划方法及系统 | |
CN106980029B (zh) | 车辆超速判断方法及其系统 | |
CN115936817A (zh) | 一种乘客订单起点聚合方法、装置及计算机设备 | |
CN112150045A (zh) | 基于车辆位置统计判断城市车辆供需关系的方法及其监测系统 | |
CN114664104B (zh) | 一种路网匹配方法和装置 | |
CN114565031A (zh) | 基于经纬度的车队识别方法、装置及计算机设备 | |
CN113282638B (zh) | 一种城建用车识别方法和装置 | |
CN115731215A (zh) | 一种回环检测方法、装置、电子设备及存储介质 | |
CN114705180A (zh) | 高精地图的数据修正方法、装置、设备及存储介质 | |
CN113747342A (zh) | 网络监控方法、装置及计算设备 | |
US20220383349A1 (en) | System and method for partitioning geographical areas into logistical areas for dynamic pricing | |
CN109256774B (zh) | 一种基于电压等级的电网子图划分方法及装置 | |
CN114117121A (zh) | 一种智慧城市的数据采集方法 |
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 |