CN116505953A - 基于bim和gis的海量地图数据优化压缩处理方法 - Google Patents
基于bim和gis的海量地图数据优化压缩处理方法 Download PDFInfo
- Publication number
- CN116505953A CN116505953A CN202310787053.1A CN202310787053A CN116505953A CN 116505953 A CN116505953 A CN 116505953A CN 202310787053 A CN202310787053 A CN 202310787053A CN 116505953 A CN116505953 A CN 116505953A
- Authority
- CN
- China
- Prior art keywords
- points
- line
- vector data
- data
- point
- 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
- 238000007906 compression Methods 0.000 title claims abstract description 18
- 230000006835 compression Effects 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013144 data compression Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 229960003089 pramipexole Drugs 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/70—Type of the data to be coded, other than image and sound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据压缩领域,具体涉及基于BIM和GIS的海量地图数据优化压缩处理方法,包括:采集地图数据,并将地图数据转化为矢量数据;通过矢量数据,计算矢量数据中的点为特征点的第一概率参数,矢量数据中的点为特征点的第二概率参数,计算矢量数据中的点为特征点的第三概率参数;根据矢量数据中的点为特征点的第一概率参数、矢量数据中的点为特征点的第二概率参数和矢量数据中的点为特征点的第三概率参数,获取道格拉斯‑普克算法中的最优阈值,并对地图矢量数据进行压缩。本发明使得压缩后的地图矢量数据在得到有效压缩的同时,并且极大地保留了地图矢量数据中的细节部分。
Description
技术领域
本发明涉及数据压缩领域,具体涉及基于BIM和GIS的海量地图数据优化压缩处理方法。
背景技术
由于地图数据的信息量极大,为节省存储空间,提高网络传输效率,加快渲染和查询速度,所以非常有必要对地图数据进行压缩处理。
但在现有的压缩算法道格拉斯-普克算法中,所选取的道格拉斯-普克算法的阈值越小,压缩后的矢量数据越精确,但会使矢量数据得不到有效的压缩;反之,若阈值越大,压缩后的矢量数据可能会失去某些形状细节。
为避免上述情况的发生,本发明通过多角度分析矢量数据,最终求得一个最优的道格拉斯-普克算法的阈值,使得压缩后的地图矢量数据在得到有效压缩的同时,并且极大地保留了地图矢量数据中的细节部分。
发明内容
本发明提供基于BIM和GIS的海量地图数据优化压缩处理方法,以解决现有的问题。
本发明的基于BIM和GIS的海量地图数据优化压缩处理方法采用如下技术方案:
本发明一个实施例提供了基于BIM和GIS的海量地图数据优化压缩处理方法,该方法包括以下步骤:
采集地图数据,并将地图数据转化为矢量数据;
通过矢量数据中的局部差异,计算矢量数据中的点为特征点的第一概率参数;
通过矢量数据中的整体差异,计算矢量数据中的点为特征点的第二概率参数;
通过矢量数据,基于道格拉斯-普克算法,计算矢量数据中的点为特征点的第三概率参数;
根据矢量数据中的点为特征点的第一概率参数、矢量数据中的点为特征点的第二概率参数和矢量数据中的点为特征点的第三概率参数,获取道格拉斯-普克算法中的最优阈值;
根据道格拉斯-普克算法中的最优阈值,对矢量数据进行压缩,完成对地图矢量数据的压缩。
优选的,所述计算矢量数据中的点为特征点的第一概率参数,包括的具体步骤如下:
在线上设置一个分界点,将线分为两个部分,计算被分为两个部分线的标准差之和,并对被分为两个部分线的标准差之和进行归一化并记为,将被分为两个部分线的标准差之和归一化后的值作为矢量数据中线上的分界点为特征点的第一概率参数/>;同理得到线上所有点为特征点的特征点的第一概率参数。
优选的,所述计算矢量数据中的点为特征点的第二概率参数,包括的具体步骤如下:
通过计算线上点的数据值与线上数据均值的差的绝对值,并对线上的点的数据值与线上数据均值的差的绝对值进行归一化并记为,将线上的点的数据值与线上数据均值的差的绝对值归一化后的值作为矢量数据中的线上的点为特征点的第二概率参数;同理得到线上所有点为特征点的特征点的第二概率参数。
优选的,所述计算矢量数据中的点为特征点的第三概率参数,包括的具体步骤如下:
通过将线的首尾坐标点用直线连接,并将连接线首尾坐标点的直线记为直线,计算线上的点与直线/>之间的距离,对线上的点与直线/>之间的距离进行归一化并记为/>,将线上的点与直线/>之间的距离归一化的值作为矢量数据中的线上的点为特征点的第三概率参数;同理得到线上所有点为特征点的特征点的第三概率参数。
优选的,所述获取道格拉斯-普克算法中的最优阈值的具体计算公式如下:
式中,所计算的表示判断线上第/>个点为最优矢量数据特征点的参数,/>表示线上第/>个点为特征点的第一概率参数,/>表示线上第/>个点为特征点的第二概率参数,/>表示线上第/>个点为特征点的第三概率参数;
统计所得到的中最大的值记为/>,/>所对应的线上的点记为点/>,点/>直线之间的距离/>,即为该矢量数据的道格拉斯-普克算法中的最优阈值。
优选的,所述对矢量数据进行压缩,包括的具体步骤如下:
首先将矢量数据的首尾数据点相连,并将矢量数据的首尾数据点相连的直线记为直线,统计矢量数据中各个拐点与直线/>之间的距离,若矢量数据中的拐点与直线/>的之间的距离小于该矢量数据的最优阈值/>,则认为该拐点不是特征点,故将该拐点舍去;
若拐点到直线的距离大于该矢量数据的最优阈值,则认为该拐点是特征点,保留该拐点,并将该拐点与首尾数据点用直线连接得到新的矢量图像;
迭代操作,直到找不到新的特征点为止。
本发明的技术方案的有益效果是:在现有的压缩算法道格拉斯-普克算法中,所选取的道格拉斯-普克算法的阈值越小,压缩后的矢量数据越精确,但会使矢量数据得不到有效的压缩;反之,若阈值越大,压缩后的矢量数据可能会失去某些形状细节。
为避免上述情况的发生,本发明通过多角度分析矢量数据,最终求得一个最优的道格拉斯-普克算法的阈值,使得压缩后的地图矢量数据在得到有效压缩的同时,并且极大地保留了地图矢量数据中的细节部分。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明基于BIM和GIS的海量地图数据优化压缩处理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于BIM和GIS的海量地图数据优化压缩处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于BIM和GIS的海量地图数据优化压缩处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于BIM和GIS的海量地图数据优化压缩处理方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集地图数据,得到矢量数据。
需要说明的是,由于矢量数据可以很精细的表示地图上的各种要素,且矢量数据存易于存储传输,外加矢量数据适用于各种不同的输出设备,所以通过扫描仪或图数转化装置将地图资料或者数据扫描输入到计算机中,并转化为矢量数据。
具体的,矢量数据是在直角坐标中,用x、y坐标表示地图图形或地理实体的位置和形状的数据。矢量数据一般通过记录坐标的方式来尽可能地将地理实体的空间位置表现得准确无误。
矢量数据是记录图形坐标特征点位置的数据。虽然线和面在数据形式上直观上看不出差别,实质上在数据内部,还是有区别的。对于多边形,要表达一个内部点,这个内部点作为多边形位置识别的标识,也作为多边形符号绘制的定位点;而对于线,则不存在内部点问题。
在矢量数据中,点用一个坐标表示;线作为点与点之间的连线,故线需要用多个坐标点之间的连线表示,在表示线中的坐标点均是线中的转折点;而多边形作为首尾相连的线,所以其表示方式与线的表示方式基本相同,但多边形是由首尾相连的线组成的,故在表示一个多边形的所有点中,其第一个坐标点与最后一个坐标点相同。
至此,将地图数据转化为矢量数据。
需要说明的是,在矢量数据中的冗余部分大都是由线与多边形中的数据组成的,而在多边形中可以将多边形的首尾连接点与在多边形边缘上距离首尾连接点最远的点相连接,从而将多边形分割成两条线,故在本实施例中多边形与线的压缩处理方法本质上是一样的,所以本实施例用线进行压缩处理叙述说明。
步骤S002:根据矢量数据的波动程度,计算矢量数据中的点为特征点的第一概率参数。
需要说明的是,在选取线中的特征点时,会将线以特征点为界分为两个部分,通过计算两个部分数据的波动程度,作为该点为特征点的第一概率参数;其中,若以所选取的点为界所分出的两部分的波动程度越大,则所选取的点为特征点的概率就越大。
具体为,通过线上的点将线分为两部分,计算这两部分的标准差之和,作为判定该点为特征点的依据,以此类推,判断线上所有点为特征点的依据,其具体计算公式为:
式中,所计算的表示以线上第/>点为界所分的两个部分的标准差之和,/>表示线上第/>个点的数据,/>表示以第/>个点为界的前半部分数据的均值,/>表示以第/>个点为界的后半部分数据的均值,/>表示线上共有/>个点。
至此,得到以线上所有点为界所分出的两个部分的标准差之和,通过选取其中最大和最小的标准差之和分别记为与/>。对得到的以线上所有点为界所分出的两个部分的标准差之和进行归一化,矢量数据中的点为特征点的第一概率参数,其具体计算公式如下:
式中,所计算的表示线上第/>个点为特征点的第一概率参数,/>表示以线上第/>点为界所分的两个部分的标准差之和,/>与/>分别表示通过将线分为两部分所得到的最大的标准差之和与最小的标准差之和。
至此,获得了矢量数据中的点为特征点的第一概率参数。
步骤S003:根据矢量数据中的极值,计算矢量数据中的点为特征点的第二概率参数。
需要说明的是,在矢量数据中,如果存在一个数据极大或者极小,那么他为关键数据或者异常数据的概率就越大。
具体的,可通过计算线上所有点的数据值与线上数据均值的差的绝对值,计算线上数据的值与线上数据均值差异,当线上数据的值与线上数据均值的差的绝对值越大,则该点为特征点的概率就越大,其具体计算公式为:
式中,所计算的表示线上第/>个点的数据值与该线上数据均值之间的差异,/>表示线上第/>个点的数据值,/>表示线上数据的均值。
至此,获得了线上所有点上的数据值与该线上数据均值之间的差异;通过选取其中最大和最小的差异分别记为与/>。对得到的线上所有点的数据值与该线上数据均值之间的差异进行归一化,得到矢量数据中的点为特征点的第二概率参数,其具体计算公式如下:
式中,所计算的表示线上第/>个点为特征点的第二概率参数,/>表示线上第/>个点的数据值与该线上数据均值之间的差异,/>与/>分别表示线上的数据值与该线数据均值之间的最大差异与最小差异。
至此,获得了矢量数据中的点为特征点的第二概率参数。
步骤S004:基于道格拉斯-普克算法,获得矢量数据中的点为特征点的第三概率参数。
需要说明的是,在道格拉斯-普克算法中,通过准确删除小弯曲上的定点,使得整体上有效地保持线的形态特征。因为在道格拉斯-普克算法中,线上的拐点与线首尾相连的直线之间的距离,大于所设置的道格拉斯-普克算法中阈值时,线上的该拐点即为线上的特征点,所以当线上的点与线上的拐点与线首尾相连的直线之间的距离越大时,该线上的点就越可能为该线上的特征点。
具体的,将线的首尾坐标点用直线连接,并将连接线首尾坐标点的直线记为直线,计算线上的点与直线/>之间的距离,并将线上的点与直线/>之间的距离记为/>;以此为依据计算矢量数据中的点为特征点的第三概率参数,具体计算公式为:
式中,所计算的为矢量数据中的第/>个点为特征点的第三概率参数,/>为线上第个点与直线/>之间的距离,/>为线上的点与直线/>之间的最大距离。
至此,矢量数据中的点为特征点的第三概率参数。
步骤S005:结合矢量数据中的点为特征点的所有概率参数,得到道格拉斯-普克算法中的最优阈值。
需要说明的是,在道格拉斯-普克算法中,所选取的阈值越小,压缩后的矢量数据越精确,但会使矢量数据得不到有效的压缩;反之,若阈值越大,压缩后的矢量数据可能会失去某些形状细节,所以需要结合之前所计算的所有的矢量数据中的点为特征点的概率参数,得到道格拉斯-普克算法中的最优阈值,使得压缩后的地图矢量数据在得到有效压缩的同时,并且极大地保留了地图矢量数据中的细节部分。
由于矢量数据中的点为特征点的第一概率参数、矢量数据中的点为特征点的第二概率参数、矢量数据中的点为特征点的第三概率参数,均与矢量数据中的点为特征点的概率成正比。
具体的,通过矢量数据中的点为特征点的第一概率参数、矢量数据中的点为特征点的第二概率参数、矢量数据中的点为特征点的第三概率参数,得到道格拉斯-普克算法中的阈值,具体的计算公式为:
式中,所计算的表示判断线上第/>个点为最优矢量数据特征点的参数,/>表示线上第/>个点为特征点的第一概率参数,/>表示线上第/>个点为特征点的第二概率参数,/>表示线上第/>个点为特征点的第三概率参数。
统计所得到的中最大的值记为/>,/>所对应的线上的点记为点/>,点/>直线之间的距离/>,即为该矢量数据的道格拉斯-普克算法中的最优阈值。
步骤S006:使用最优阈值对矢量数据进行压缩。
对矢量数据进行道格拉斯-普克算法处理,其中以该矢量数据的作为道格拉斯-普克算法中的最优阈值。
具体为,首先将矢量数据的首尾数据点相连,并将矢量数据的首尾数据点相连的直线记为直线,统计矢量数据中各个拐点与直线/>之间的距离,若矢量数据中的拐点与直线/>的之间的距离小于该矢量数据的最优阈值/>,则认为该拐点不是特征点,故将该拐点舍去;
若拐点到直线的距离大于该矢量数据的最优阈值,则认为该拐点是特征点,保留该拐点,并将该拐点与首尾数据点用直线连接得到新的矢量图像。
迭代操作,直到找不到新的特征点为止。
找不到特征点的地图矢量数据即为压缩好的地图矢量数据。
至此,完成对地图矢量数据的压缩,使得压缩后的地图矢量数据在得到有效压缩的同时,并且极大地保留了地图矢量数据中的细节部分。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于BIM和GIS的海量地图数据优化压缩处理方法,其特征在于,该方法包括以下步骤:
采集地图数据,并将地图数据转化为矢量数据;
通过矢量数据中的局部差异,计算矢量数据中的点为特征点的第一概率参数;
通过矢量数据中的整体差异,计算矢量数据中的点为特征点的第二概率参数;
通过矢量数据,基于道格拉斯-普克算法,计算矢量数据中的点为特征点的第三概率参数;
根据矢量数据中的点为特征点的第一概率参数、矢量数据中的点为特征点的第二概率参数和矢量数据中的点为特征点的第三概率参数,获取道格拉斯-普克算法中的最优阈值;
根据道格拉斯-普克算法中的最优阈值,对矢量数据进行压缩,完成对地图矢量数据的压缩。
2.根据权利要求1所述基于BIM和GIS的海量地图数据优化压缩处理方法,其特征在于,所述计算矢量数据中的点为特征点的第一概率参数,包括的具体步骤如下:
在线上设置一个分界点,将线分为两个部分,计算被分为两个部分线的标准差之和,并对被分为两个部分线的标准差之和进行归一化并记为,将被分为两个部分线的标准差之和归一化后的值作为矢量数据中线上的分界点为特征点的第一概率参数/>;同理得到线上所有点为特征点的特征点的第一概率参数。
3.根据权利要求1所述基于BIM和GIS的海量地图数据优化压缩处理方法,其特征在于,所述计算矢量数据中的点为特征点的第二概率参数,包括的具体步骤如下:
通过计算线上点的数据值与线上数据均值的差的绝对值,并对线上的点的数据值与线上数据均值的差的绝对值进行归一化并记为,将线上的点的数据值与线上数据均值的差的绝对值归一化后的值作为矢量数据中的线上的点为特征点的第二概率参数;同理得到线上所有点为特征点的特征点的第二概率参数。
4.根据权利要求1所述基于BIM和GIS的海量地图数据优化压缩处理方法,其特征在于,所述计算矢量数据中的点为特征点的第三概率参数,包括的具体步骤如下:
通过将线的首尾坐标点用直线连接,并将连接线首尾坐标点的直线记为直线,计算线上的点与直线/>之间的距离,对线上的点与直线/>之间的距离进行归一化并记为/>,将线上的点与直线/>之间的距离归一化的值作为矢量数据中的线上的点为特征点的第三概率参数;同理得到线上所有点为特征点的特征点的第三概率参数。
5.根据权利要求1所述基于BIM和GIS的海量地图数据优化压缩处理方法,其特征在于,所述获取道格拉斯-普克算法中的最优阈值的具体计算公式如下:
式中,所计算的表示判断线上第/>个点为最优矢量数据特征点的参数,/>表示线上第/>个点为特征点的第一概率参数,/>表示线上第/>个点为特征点的第二概率参数,/>表示线上第/>个点为特征点的第三概率参数;
统计所得到的中最大的值记为/>,/>所对应的线上的点记为点/>,点/>直线/>之间的距离/>,即为该矢量数据的道格拉斯-普克算法中的最优阈值。
6.根据权利要求1所述基于BIM和GIS的海量地图数据优化压缩处理方法,其特征在于,所述对矢量数据进行压缩,包括的具体步骤如下:
首先将矢量数据的首尾数据点相连,并将矢量数据的首尾数据点相连的直线记为直线,统计矢量数据中各个拐点与直线/>之间的距离,若矢量数据中的拐点与直线/>的之间的距离小于该矢量数据的最优阈值/>,则认为该拐点不是特征点,故将该拐点舍去;
若拐点到直线的距离大于该矢量数据的最优阈值,则认为该拐点是特征点,保留该拐点,并将该拐点与首尾数据点用直线连接得到新的矢量图像;
迭代操作,直到找不到新的特征点为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787053.1A CN116505953B (zh) | 2023-06-30 | 2023-06-30 | 基于bim和gis的海量地图数据优化压缩处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787053.1A CN116505953B (zh) | 2023-06-30 | 2023-06-30 | 基于bim和gis的海量地图数据优化压缩处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116505953A true CN116505953A (zh) | 2023-07-28 |
CN116505953B CN116505953B (zh) | 2023-09-08 |
Family
ID=87330629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310787053.1A Active CN116505953B (zh) | 2023-06-30 | 2023-06-30 | 基于bim和gis的海量地图数据优化压缩处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116505953B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150217A (zh) * | 2023-11-01 | 2023-12-01 | 苏州爱雄斯通信技术有限公司 | 一种基于大数据的数据压缩处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488141A (zh) * | 2008-12-16 | 2009-07-22 | 南京莱斯大型电子系统工程有限公司 | 电子地图数据处理方法 |
CN101561819A (zh) * | 2009-03-05 | 2009-10-21 | 中国测绘科学研究院 | 一种矢量数据精简与压缩方法以及相应的解压缩方法 |
US20140185945A1 (en) * | 2012-12-31 | 2014-07-03 | Caterpillar Inc. | Modified dp search for 2d/3d map compression |
CN106197440A (zh) * | 2016-06-27 | 2016-12-07 | 江苏迪纳数字科技股份有限公司 | 基于角度约束的道路数据压缩方法 |
CN107742313A (zh) * | 2017-09-26 | 2018-02-27 | 华勤通讯技术有限公司 | 一种应用于矢量空间的数据压缩方法及设备 |
CN112489212A (zh) * | 2020-12-07 | 2021-03-12 | 武汉大学 | 一种基于多源遥感数据的建筑物智能化三维测图方法 |
CN115829624A (zh) * | 2022-11-22 | 2023-03-21 | 广州市钱大妈信息科技有限公司 | 基于门店周期性回本的价格预测方法、装置及相关介质 |
-
2023
- 2023-06-30 CN CN202310787053.1A patent/CN116505953B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488141A (zh) * | 2008-12-16 | 2009-07-22 | 南京莱斯大型电子系统工程有限公司 | 电子地图数据处理方法 |
CN101561819A (zh) * | 2009-03-05 | 2009-10-21 | 中国测绘科学研究院 | 一种矢量数据精简与压缩方法以及相应的解压缩方法 |
US20140185945A1 (en) * | 2012-12-31 | 2014-07-03 | Caterpillar Inc. | Modified dp search for 2d/3d map compression |
CN106197440A (zh) * | 2016-06-27 | 2016-12-07 | 江苏迪纳数字科技股份有限公司 | 基于角度约束的道路数据压缩方法 |
CN107742313A (zh) * | 2017-09-26 | 2018-02-27 | 华勤通讯技术有限公司 | 一种应用于矢量空间的数据压缩方法及设备 |
CN112489212A (zh) * | 2020-12-07 | 2021-03-12 | 武汉大学 | 一种基于多源遥感数据的建筑物智能化三维测图方法 |
CN115829624A (zh) * | 2022-11-22 | 2023-03-21 | 广州市钱大妈信息科技有限公司 | 基于门店周期性回本的价格预测方法、装置及相关介质 |
Non-Patent Citations (3)
Title |
---|
JINGXIAN LIU: "Adaptive Douglas-Peucker Algorithm With Automatic Thresholding for AIS-Based Vessel Trajectory Compression", IEEE ACCESS * |
张志伟: "基于Ping 的Douglas - Peucker 法抽稀阈值优化选取", 海洋测绘 * |
陈通;李世宝;刘建航;陈海华;: "面向交叉路口特征点的矢量数据化简算法", 测绘科学, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150217A (zh) * | 2023-11-01 | 2023-12-01 | 苏州爱雄斯通信技术有限公司 | 一种基于大数据的数据压缩处理方法 |
CN117150217B (zh) * | 2023-11-01 | 2024-01-26 | 苏州爱雄斯通信技术有限公司 | 一种基于大数据的数据压缩处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116505953B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114943736B (zh) | 一种汽车散热翅片生产质量检测方法及系统 | |
CN108009979B (zh) | 基于时空数据融合的三维点云压缩存储方法及系统 | |
CN116505953B (zh) | 基于bim和gis的海量地图数据优化压缩处理方法 | |
CN108491786B (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN117459418B (zh) | 一种实时数据采集存储方法及系统 | |
CN103218427B (zh) | 局部描述子的提取方法、图像检索方法及图像匹配方法 | |
CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN108829692B (zh) | 一种基于卷积神经网络的花卉图像检索方法 | |
CN111784699B (zh) | 一种对三维点云数据进行目标分割方法、装置及终端设备 | |
CN109685821A (zh) | 基于高质量体素的区域生长3d岩体点云平面提取方法 | |
CN112258645B (zh) | 基于全局特征的数字地图线要素综合方法、装置和介质 | |
CN114155546A (zh) | 一种图像矫正方法、装置、电子设备和存储介质 | |
CN116405574A (zh) | 一种远程医疗图像优化通讯方法及系统 | |
CN112651889A (zh) | 一种适用于slam点云去噪的融合滤波方法、电子设备、存储介质 | |
CN117313222A (zh) | 基于bim技术的建筑施工数据处理方法 | |
CN117274820B (zh) | 一种测绘地理信息地图数据采集方法及系统 | |
CN114299363A (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
CN114548606B (zh) | 一种气旋强度预测模型的构建方法及气旋强度预测方法 | |
US8111919B2 (en) | Feature encoding system and method for connected component labeling | |
CN117040541B (zh) | 一种用于cad图纸数据的数据存储方法及系统 | |
CN117176177B (zh) | 一种用于林业信息的数据共享方法及系统 | |
CN116580220A (zh) | 一种数字政府平台数据优化传输方法及系统 | |
CN116721345A (zh) | 一种马尾松苗木的形态指标无损测量方法 | |
US9070178B2 (en) | Method and system for organizing topology elements for better compression | |
CN112487853A (zh) | 一种字迹比对方法、系统、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |