CN116484309B - 户籍人口数据与不动产登记数据融合方法 - Google Patents
户籍人口数据与不动产登记数据融合方法 Download PDFInfo
- Publication number
- CN116484309B CN116484309B CN202310225464.1A CN202310225464A CN116484309B CN 116484309 B CN116484309 B CN 116484309B CN 202310225464 A CN202310225464 A CN 202310225464A CN 116484309 B CN116484309 B CN 116484309B
- Authority
- CN
- China
- Prior art keywords
- data
- behavior
- household
- registration
- real estate
- 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
- 238000007500 overflow downdraw method Methods 0.000 title description 2
- 230000006399 behavior Effects 0.000 claims abstract description 129
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000002457 bidirectional effect Effects 0.000 claims description 18
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000011273 social behavior Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种户籍人口数据与不动产登记数据融合方法,包括:S1,根据云平台获取户籍人口数据以及对应的不动产登记数据,并将对应的数据进行预关联;S2,对相应的户籍人口数据进行行为轨迹神经网络学习,将学习的人口行为轨迹数据进行特征分析;S3,根据特征分析的结果确定户籍人口数据中行为轨迹的融合阈值,并且对应匹配不动产数据。
Description
技术领域
本发明涉及数据融合分析领域,尤其涉及一种户籍人口数据与不动产登记数据融合方法。
背景技术
随着城市规模不断扩大,人口数量增多,消费不动产行为成为社会的基本需求,如何对于人员轨迹进行匹配判断,从而将户籍人口数据进行统计,根据户籍人口数据与相应的不动产登记数据进行匹配对应,由于数据之间的异构形式,而且户籍人口有可能对应多个不动产登记数据,无法准确判断人员所在地理位置,造成关联性不准确,如何提高户籍人口与不动产登记数据匹配度,并对数据和数据之间形成强相关性,并且户籍人口数据更改时,能够保持对应的不动产数据形成一致性变化,这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种户籍人口数据与不动产登记数据融合方法。
为了实现本发明的上述目的,本发明提供了一种户籍人口数据与不动产登记数据融合方法,其特征在于,包括:
S1,根据云平台获取户籍人口数据以及对应的不动产登记数据,并将对应的数据进行预关联;
S2,对相应的户籍人口数据进行行为轨迹神经网络学习,将学习的人口行为轨迹数据进行特征分析;
S3,根据特征分析的结果确定户籍人口数据中行为轨迹的融合阈值,并且对应匹配不动产数据。
上述技术方案优选的,所述S1包括:
S1-1,户籍人口数据分别与不动产登记数据建立相对应的映射表,该映射表存储相对应的匹配映射数据,通过映射表中相对应的户籍人口数据对不同的映射表之间进行预关联;
S1-2,因为户籍人口数据的数量对所有不动产登记数据所对应的映射表进行结果输出,统计该户籍人口数据对应的映射表数量,根据映射表的预关联得到所述户籍人口数据映射关系;
S1-3,根据户籍人口数据收集户籍人口的行为数据,根据智能设备采集户籍人口数据相对应的行为数据。
上述技术方案优选的,所述S1还包括:
S1-4,确定户籍人口数据遍历的映射表所得到的智能设备,基于映射表的预关联关系确定户籍人口数据中待筛选的行为数据;
获取待筛选的行为数据中相对应的智能设备,将当前所遍历的映射表、待筛选的行为数据中对应的智能设备所匹配的户籍人口数据进行映;
S1-5,对于预关联过程,删除无效数据,以及异常轨迹点,行为数据中没有关联关系的数据进行剔除操作,将具备关联关系的行为数据调取户籍人口数据的行为路径,定义初始行为路径。
上述技术方案优选的,所述S2包括:
S2-1,根据预关联户籍人口数据的行为轨迹,将行为轨迹同步在不动产登记数据中进行定位匹配,根据形成的行为轨迹边数,对户籍人口数据和不动产登记数据进行双向改进的循环神经网络学习,
S2-2,根据正向的循环神经网络模型,即任一户籍人口数据的行为轨迹与多个不动产登记数据形成的特征向量M={m1,m2,...,mn},形成正向行为轨迹模型的表达公式,其中/>为行为轨迹的正向输入。
上述技术方案优选的,所述S2还包括:
S2-3,根据反向的循环神经网络模型,即任一不动产登记数据对应与多个户籍人口数据的行为轨迹形成的特征向量M′={mn,...,m2,m1},形成反向行为轨迹模型的表达公式,其中/>为行为轨迹的反向输入,n为行为轨迹特征数量;
对于循环神经网络模型Dn=G(mn),双向的行为轨迹特征模型为
其中,δ(·)代表sigmoid激活函数,为第n个行为轨迹的正向隐含激活序列,为第n个行为轨迹的反向隐含激活序列,/>为正向隐含激活序列的输入相关权重矩阵,/>为反向隐含激活序列的输入相关权重矩阵,mn为行为轨迹的输入,Dn-1为上一个行为轨迹的循环神经网络模型的输出信息,/>为正向隐含激活序列的输出相关权重矩阵,为反向隐含激活序列的输出相关权重矩阵,/>为正向隐含激活序列的偏置项,/>为反向隐含激活序列的偏置项,bH为信息输出的偏置项,Hn为第n个双向行为轨迹的输出序列,为正向输出的权重矩阵,/>为反向输出的权重矩阵。
上述技术方案优选的,所述S2还包括:
S2-4,对行为轨迹特征向量在双向循环神经网络中利用社交行为信息进行二次行为特征向量提取,
其中ci为特征向量,λ为耦合系数,η为特征调节阈值,ui为输入的二次行为特征向量,vi为行为特征权值转化矩阵,i为特征数量;
S2-5,形成二次行为特征的深度行为特征向量为,
其中提取的深度行为特征向量Fi是通过计算二次行为特征向量ci的模||ci||,提取出深度行为特征。
上述技术方案优选的,所述S3包括:
S3-1,进行双向行为轨迹输出序列和深度行为特征向量融合阈值计算,
其中,n为双向行为轨迹数量,Wn为双向行为轨迹的输出序列Hn的权重矩阵,Wi为深度行为特征向量Fi的权重矩阵,μ为修正系数,为哈玛达乘积运算;
S3-2,通过融合阈值计算之后,对于户籍人口数据中的行为轨迹求得相应融合阈值,调整其数值范围与不动产登记数据进行平滑拼接,判断户籍人口数据对应的不动产登记数据,从而得到户籍人口数据对应的不动产登记数据之间的密切联系。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
为深度分析房地产市场运行情况,提高统计分析成果的有效性、实用性和权威性,通过对应部门之间数据共享交互,定期开展户籍人群不动产登记购房信息与户籍人口信息的比对、核实并更新工作,从而掌握不动产登记数据与人口流动数据的实时运行态势作为数据分析的参考。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明总体示意图;
图2是本发明具体实施示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1和2所示,本发明公开一种根据大数据进行户籍人口数据与不动产登记数据融合的方法,包括如下步骤:
S1,根据云平台获取户籍人口数据以及对应的不动产登记数据,并将对应的数据进行预关联;
S2,对相应的户籍人口数据进行行为轨迹神经网络学习,将学习的人口行为轨迹数据进行特征分析;
S3,根据特征分析的结果确定户籍人口数据中行为轨迹的融合阈值,并且对应匹配预关联的不动产登记数据。
根据户籍人口数据与不动产数据通过行为轨迹处理后进行融合的结果,得到反馈的判断数据,从不同的动态数据中获得相似度较高的对应数据,从而提炼出户籍人口的动态变化数据,建立户籍和不动产登记数据的元素的关联关系。
上述技术方案优选的,所述S1包括:
S1-1,户籍人口数据分别与不动产登记数据建立相对应的映射表,该映射表存储相对应的匹配映射数据,由于户籍人口数据存在对应多个不动产登记数据的情况,通过映射表中相对应的户籍人口数据对不同的映射表之间进行预关联;
S1-2,因为户籍人口数据的数量对所有不动产登记数据所对应的映射表进行结果输出,统计该户籍人口数据对应的映射表数量,通过遍历户籍人口数据中每个映射表能够提取出对应的映射表清单;根据映射表的预关联得到所述户籍人口数据映射关系;
S1-3,根据户籍人口数据收集户籍人口的行为数据,形成基于户籍人口数据对应的身份数据、驾驶导航数据、通信定位数据以及交易数据的行为数据;根据智能设备采集户籍人口数据相对应的行为数据;
S1-4,确定户籍人口数据遍历的映射表所得到的智能设备,基于映射表的预关联关系确定户籍人口数据中待筛选的行为数据;
获取待筛选的行为数据中相对应的智能设备,将当前所遍历的映射表、待筛选的行为数据中对应的智能设备所匹配的户籍人口数据进行映射,户籍人口数据包括至少一个行为数据;
如某一户籍人口,其身份证信息为:500727********2215,支付平台账号为:123;在智能设备中频繁支付场景为A地,使用导航设备8点至9点50之间定位终点为B地,18点至20点定位终点为A地,根据支付场景和定位终点进行行为数据融合操作,根据实际关键信息的数据融合过程,对户籍人口数据与不动产登记数据进行预关联;
S1-5,对于预关联过程,删除无效数据,以及异常轨迹点,行为数据中没有关联关系的数据进行剔除操作,将具备关联关系的行为数据调取户籍人口数据的行为路径,定义初始行为路径。
上述技术方案优选的,所述S2包括:
S2-1,根据预关联户籍人口数据的行为轨迹,将行为轨迹同步在不动产登记数据中进行定位匹配,根据形成的行为轨迹边数,对户籍人口数据和不动产登记数据进行双向改进的循环神经网络学习,
S2-2,根据正向的循环神经网络模型,即任一户籍人口数据的行为轨迹与多个不动产登记数据形成的特征向量M={m1,m2,...,mn},形成正向行为轨迹模型的表达公式,其中/>为行为轨迹的正向输入;
S2-3,根据反向的循环神经网络模型,即任一不动产登记数据对应与多个户籍人口数据的行为轨迹形成的特征向量M′={mn,...,m2,m1},形成反向行为轨迹模型的表达公式,其中/>为行为轨迹的反向输入,n为行为轨迹特征数量;
对于循环神经网络模型Dn=G(mn),双向的行为轨迹特征模型为
其中,δ(·)代表sigmoid激活函数,为第n个行为轨迹的正向隐含激活序列,为第n个行为轨迹的反向隐含激活序列,/>为正向隐含激活序列的输入相关权重矩阵,/>为反向隐含激活序列的输入相关权重矩阵,mn为行为轨迹的输入,Dn-1为上一个行为轨迹的循环神经网络模型的输出信息,/>为正向隐含激活序列的输出相关权重矩阵,为反向隐含激活序列的输出相关权重矩阵,/>为正向隐含激活序列的偏置项,/>为反向隐含激活序列的偏置项,bH为信息输出的偏置项,Hn为第n个双向行为轨迹的输出序列,为正向输出的权重矩阵,/>为反向输出的权重矩阵,
设置行为轨迹特征模型用于解决行为输入分布不稳定导致的神经网络学习不准确的问题。通过正向隐含激活序列计算用于控制接收多少在正向状态的行为轨迹;通过反向隐含激活序列计算用于控制接收多少在反向状态的行为轨迹。
S2-4,对行为轨迹特征向量在双向循环神经网络中利用社交行为信息进行二次行为特征向量提取,其中社交行为包括户籍人口数据在收发即时聊天工具的IP地址数据,消费场景数据;
其中ci为特征向量,λ为耦合系数,η为特征调节阈值,ui为输入的二次行为特征向量,vi为行为特征权值转化矩阵,i为特征数量;
S2-5,形成二次行为特征的深度行为特征向量为,
其中提取的深度行为特征向量Fi是通过计算二次行为特征向量ci的模||ci||,提取出深度行为特征;
上述技术方案优选的,所述S3包括:
S3-1,进行双向行为轨迹输出序列和深度行为特征向量融合阈值计算,
其中,n为双向行为轨迹数量,Wn为双向行为轨迹的输出序列Hn的权重矩阵,Wi为深度行为特征向量Fi的权重矩阵,μ为修正系数;
S3-2,通过融合阈值计算之后,对于户籍人口数据中的行为轨迹求得相应融合阈值,调整其数值范围与不动产登记数据进行平滑拼接,判断户籍人口数据经常对应的不动产登记数据,从而得到户籍人口数据对应的不动产登记数据之间的密切联系,当融合阈值取最大值时,其户籍人口数据和不动产登记数据相关度最高。
这其中将具备重合的行为轨迹根据归一化操作之后产生相应的限定阈值,通过加权之后的特征向量输出至双向改进的循环神经网络中。
具体步骤如下:
定期从不动产登记系统提取一段时期内所有不动产登记数据的身份证信息;
根据数据互通工作机制,公安部门将购房人身份证对应的户籍号、户籍地以及户内人口等信息进行比对、核实并反馈,将户籍人口的行动轨迹与不动产登记数据进行匹配和更新;通过sql语句将反馈的购房者户籍相关信息与不动产数据库进行关联,并深度融合治理,实现人、地、房合一,数据全面、准确、权威,实时,高效;
对于融合治理后的数据可支撑统计户籍人口持有住房套数情况、不动产登记人员来源情况、以及监测市场潜在风险等应用场景。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种户籍人口数据与不动产登记数据融合方法,其特征在于,包括:
S1,根据云平台获取户籍人口数据以及对应的不动产登记数据,并将对应的数据进行预关联;
S2,对相应的户籍人口数据进行行为轨迹神经网络学习,将学习的人口行为轨迹数据进行特征分析;
S2-1,根据预关联户籍人口数据的行为轨迹,将行为轨迹同步在不动产登记数据中进行定位匹配,根据形成的行为轨迹边数,对户籍人口数据和不动产登记数据进行双向改进的循环神经网络学习,
S2-2,根据正向的循环神经网络模型,即任一户籍人口数据的行为轨迹与多个不动产登记数据形成的特征向量M={m1,m2,...,mn},形成正向行为轨迹模型的表达公式,其中/>为行为轨迹的正向输入;
S2-3,根据反向的循环神经网络模型,即任一不动产登记数据对应与多个户籍人口数据的行为轨迹形成的特征向量M′={mn,...,m2,m1},形成反向行为轨迹模型的表达公式,其中/>为行为轨迹的反向输入,n为行为轨迹特征数量;
对于循环神经网络模型Dn=G(mn),双向的行为轨迹特征模型为
其中,δ(·)代表sigmoid激活函数,为第n个行为轨迹的正向隐含激活序列,/>为第n个行为轨迹的反向隐含激活序列,/>为正向隐含激活序列的输入相关权重矩阵,/>为反向隐含激活序列的输入相关权重矩阵,mn为行为轨迹的输入,Dn-1为上一个行为轨迹的循环神经网络模型的输出信息,/>为正向隐含激活序列的输出相关权重矩阵,/>为反向隐含激活序列的输出相关权重矩阵,/>为正向隐含激活序列的偏置项,/>为反向隐含激活序列的偏置项,bH为信息输出的偏置项,Hn为第n个双向行为轨迹的输出序列,/>为正向输出的权重矩阵,/>为反向输出的权重矩阵;
S2-4,对行为轨迹特征向量在双向循环神经网络中利用社交行为信息进行二次行为特征向量提取,
其中ci为特征向量,λ为耦合系数,η为特征调节阈值,ui为输入的二次行为特征向量,vi为行为特征权值转化矩阵,i为特征数量;
S2-5,形成二次行为特征的深度行为特征向量为,
其中提取的深度行为特征向量Fi是通过计算二次行为特征向量ci的模||ci||,提取出深度行为特征;
S3,根据特征分析的结果确定户籍人口数据中行为轨迹的融合阈值,并且对应匹配不动产数据。
2.根据权利要求1所述的户籍人口数据与不动产登记数据融合方法,其特征在于,所述S1包括:
S1-1,户籍人口数据分别与不动产登记数据建立相对应的映射表,该映射表存储相对应的匹配映射数据,通过映射表中相对应的户籍人口数据对不同的映射表之间进行预关联。
3.根据权利要求2所述的户籍人口数据与不动产登记数据融合方法,其特征在于,所述S1还包括:
S1-2,因为户籍人口数据的数量对所有不动产登记数据所对应的映射表进行结果输出,统计该户籍人口数据对应的映射表数量,根据映射表的预关联得到所述户籍人口数据映射关系。
4.根据权利要求3所述的户籍人口数据与不动产登记数据融合方法,其特征在于,所述S1还包括:
S1-3,根据户籍人口数据收集户籍人口的行为数据,根据智能设备采集户籍人口数据相对应的行为数据。
5.根据权利要求4所述的户籍人口数据与不动产登记数据融合方法,其特征在于,所述S1还包括:
S1-4,确定户籍人口数据遍历的映射表所得到的智能设备,基于映射表的预关联关系确定户籍人口数据中待筛选的行为数据;
获取待筛选的行为数据中相对应的智能设备,将当前所遍历的映射表、待筛选的行为数据中对应的智能设备所匹配的户籍人口数据进行映。
6.根据权利要求5所述的户籍人口数据与不动产登记数据融合方法,其特征在于,所述S1还包括:
S1-5,对于预关联过程,删除无效数据,以及异常轨迹点,行为数据中没有关联关系的数据进行剔除操作,将具备关联关系的行为数据调取户籍人口数据的行为路径,定义初始行为路径。
7.根据权利要求1所述的户籍人口数据与不动产登记数据融合方法,其特征在于,所述S3包括:
S3-1,进行双向行为轨迹输出序列和深度行为特征向量融合阈值计算,
其中,n为双向行为轨迹数量,Wn为双向行为轨迹的输出序列Hn的权重矩阵,
Wi为深度行为特征向量Fi的权重矩阵,μ为修正系数,为哈玛达乘积运算。
8.根据权利要求7所述的户籍人口数据与不动产登记数据融合方法,其特征在于,所述S3还包括:
S3-2,通过融合阈值计算之后,对于户籍人口数据中的行为轨迹求得相应融合阈值,调整其数值范围与不动产登记数据进行平滑拼接,判断户籍人口数据对应的不动产登记数据,从而得到户籍人口数据对应的不动产登记数据之间的密切联系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310225464.1A CN116484309B (zh) | 2023-03-09 | 2023-03-09 | 户籍人口数据与不动产登记数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310225464.1A CN116484309B (zh) | 2023-03-09 | 2023-03-09 | 户籍人口数据与不动产登记数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484309A CN116484309A (zh) | 2023-07-25 |
CN116484309B true CN116484309B (zh) | 2023-09-29 |
Family
ID=87218480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310225464.1A Active CN116484309B (zh) | 2023-03-09 | 2023-03-09 | 户籍人口数据与不动产登记数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484309B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109522342A (zh) * | 2018-11-30 | 2019-03-26 | 北京百度网讯科技有限公司 | 公安警务管理方法、装置、设备和存储介质 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN112381853A (zh) * | 2019-07-29 | 2021-02-19 | 罗伯特·博世有限公司 | 用于利用无线信号和图像来进行人员检测、跟踪和标识的装置和方法 |
WO2021036117A1 (zh) * | 2019-08-30 | 2021-03-04 | 华中师范大学 | 一种多空间融合学习环境构建方法和装置 |
CN112668804A (zh) * | 2021-01-11 | 2021-04-16 | 中国海洋大学 | 一种地波雷达船只断裂航迹预测方法 |
WO2021115143A1 (zh) * | 2019-12-13 | 2021-06-17 | 华为技术有限公司 | 一种运动轨迹处理方法、介质、装置及设备 |
CN113111581A (zh) * | 2021-04-09 | 2021-07-13 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
CN113312596A (zh) * | 2021-06-10 | 2021-08-27 | 重庆市勘测院 | 一种基于深度学习和异步轨迹数据的用户身份识别方法 |
CN113554060A (zh) * | 2021-06-24 | 2021-10-26 | 福建师范大学 | 一种融合dtw的lstm神经网络轨迹预测方法 |
CN113645203A (zh) * | 2021-07-27 | 2021-11-12 | 重庆市规划和自然资源信息中心 | 一种不动产登记和银行深度融合的方法 |
WO2022010855A1 (en) * | 2020-07-07 | 2022-01-13 | Ohio State Innovation Foundation | Systems, methods and devices for map-based object's localization deep learning and object's motion trajectories on geospatial maps |
CN115455130A (zh) * | 2022-11-10 | 2022-12-09 | 中国测绘科学研究院 | 一种社交媒体数据与移动轨迹数据的融合方法 |
CN115587128A (zh) * | 2022-09-29 | 2023-01-10 | 武汉众智数字技术有限公司 | 一种用于小区的实有人口积分管理系统 |
CN115659275A (zh) * | 2022-10-18 | 2023-01-31 | 苏州市职业大学 | 非结构化人机交互环境中的实时准确轨迹预测方法及系统 |
-
2023
- 2023-03-09 CN CN202310225464.1A patent/CN116484309B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109522342A (zh) * | 2018-11-30 | 2019-03-26 | 北京百度网讯科技有限公司 | 公安警务管理方法、装置、设备和存储介质 |
CN112381853A (zh) * | 2019-07-29 | 2021-02-19 | 罗伯特·博世有限公司 | 用于利用无线信号和图像来进行人员检测、跟踪和标识的装置和方法 |
WO2021036117A1 (zh) * | 2019-08-30 | 2021-03-04 | 华中师范大学 | 一种多空间融合学习环境构建方法和装置 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
WO2021115143A1 (zh) * | 2019-12-13 | 2021-06-17 | 华为技术有限公司 | 一种运动轨迹处理方法、介质、装置及设备 |
WO2022010855A1 (en) * | 2020-07-07 | 2022-01-13 | Ohio State Innovation Foundation | Systems, methods and devices for map-based object's localization deep learning and object's motion trajectories on geospatial maps |
CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN112668804A (zh) * | 2021-01-11 | 2021-04-16 | 中国海洋大学 | 一种地波雷达船只断裂航迹预测方法 |
CN113111581A (zh) * | 2021-04-09 | 2021-07-13 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
CN113312596A (zh) * | 2021-06-10 | 2021-08-27 | 重庆市勘测院 | 一种基于深度学习和异步轨迹数据的用户身份识别方法 |
CN113554060A (zh) * | 2021-06-24 | 2021-10-26 | 福建师范大学 | 一种融合dtw的lstm神经网络轨迹预测方法 |
CN113645203A (zh) * | 2021-07-27 | 2021-11-12 | 重庆市规划和自然资源信息中心 | 一种不动产登记和银行深度融合的方法 |
CN115587128A (zh) * | 2022-09-29 | 2023-01-10 | 武汉众智数字技术有限公司 | 一种用于小区的实有人口积分管理系统 |
CN115659275A (zh) * | 2022-10-18 | 2023-01-31 | 苏州市职业大学 | 非结构化人机交互环境中的实时准确轨迹预测方法及系统 |
CN115455130A (zh) * | 2022-11-10 | 2022-12-09 | 中国测绘科学研究院 | 一种社交媒体数据与移动轨迹数据的融合方法 |
Non-Patent Citations (4)
Title |
---|
Dplink: User identity linkage via deep neural network from heterogeneous mobility data;Feng J 等;《The World Wide Web Conference》;459-469 * |
Indoor Destination Prediction Based on Bidirectional Recurrent Neural Network;Wang S 等;《ICIC express letters. Part B, Applications: an international journal of research and surveys》;第8卷(第6期);919-925 * |
基于深度学习的多特征融合的移动对象轨迹预测方法研究;陈新平;《中国优秀硕士学位论文全文数据库信息科技辑》(第(2022)01期);I136-2321 * |
基于聚类关联网络的群组行为识别;戎炜 等;《计算机应用》(第09期);2507-2513 * |
Also Published As
Publication number | Publication date |
---|---|
CN116484309A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Corcoran et al. | Predicting the geo-temporal variations of crime and disorder | |
CN109284988B (zh) | 数据分析系统及方法 | |
CN111917785B (zh) | 一种基于de-gwo-svr的工业互联网安全态势预测方法 | |
CN106067088A (zh) | 电子银行访问行为的检测方法和装置 | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN103412915A (zh) | 一种面向金融高频交易数据的情景感知测定方法和系统 | |
CN112200956B (zh) | 一种门禁控制方法、系统、电子设备及存储介质 | |
CN109637128A (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 | |
CN111105092A (zh) | 面向医院医保限额分配的数据交互系统及方法 | |
Safari et al. | Dynamic type-2 fuzzy time warping (DT2FTW): A hybrid model for uncertain time-series prediction | |
Bidyuk et al. | Forecasting nonlinear nonstationary processes in machine learning task | |
CN116484309B (zh) | 户籍人口数据与不动产登记数据融合方法 | |
CN105930430B (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
Wang et al. | Local outlier detection based on information entropy weighting | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
Geng et al. | A LSTM based campus network traffic prediction system | |
Thacker et al. | Statistical analysis of a stereo matching algorithm | |
CN104951893A (zh) | 一种面向城市交通的交警路面警情处置效率评估方法 | |
CN111859263B (zh) | 一种用于自来水处理的精准投药方法 | |
CN115018318A (zh) | 一种社会区域风险预测分析方法与系统 | |
Wang et al. | A new feature selection method for intrusion detection | |
Telmoudi et al. | Identification of pH neutralization process based on a modified adaptive fuzzy c-regression algorithm | |
Ronsivalle et al. | A prototype model of georeferencing the inherent risk of contagion from COVID-19 | |
CN111062000B (zh) | 一种基于离散选择模型的犯罪者作案地识别方法 |
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 |