CN116992167B - 地址搜索方法、系统及计算机可读存储介质 - Google Patents
地址搜索方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116992167B CN116992167B CN202311230850.6A CN202311230850A CN116992167B CN 116992167 B CN116992167 B CN 116992167B CN 202311230850 A CN202311230850 A CN 202311230850A CN 116992167 B CN116992167 B CN 116992167B
- Authority
- CN
- China
- Prior art keywords
- address
- search result
- data
- search
- target search
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000010845 search algorithm Methods 0.000 claims abstract description 27
- 238000012800 visualization Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000009877 rendering Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 241000272517 Anseriformes Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Abstract
本申请公开了一种地址搜索方法、系统及计算机可读存储介质,属于人工智能技术领域。本申请通过接收地址搜索指令,并根据所述地址搜索指令确定地址搜索算法的输入值;将所述输入值分别输入至少两个所述地址搜索算法;根据所述地址搜索算法输出的搜索结果,以及各个所述搜索结果与所述地址搜索指令之间匹配度,确定目标搜索结果。实现了通过使用多个搜索算法,并利用不同搜索算法具有不同的搜索策略和不同的算法模型的特性,能够考虑到不同的因素和特征,从而相互补充和纠正,减少单一算法的偏差和错误,从整体上提高了搜索结果的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及地址搜索方法、系统及计算机可读存储介质。
背景技术
现有的地名地址搜索技术中,传统的搜索方式主要包括:(1)关键词匹配:根据用户输入的关键词,匹配相关的地名地址信息。例如,用户输入“北京”,搜索引擎可以返回与北京相关的地名地址信息,如北京市、北京大学等;(2)模糊查询:对用户输入的关键词进行模糊匹配,以提高搜索的准确性。例如,用户输入“北平”,搜索引擎可以返回与“北平”相关的地名地址信息,如北京市等;(3)地理坐标定位:根据用户输入的地理坐标,搜索附近的地名地址信息。例如,用户输入当前位置的地理坐标,搜索引擎可以返回附近的商店、餐厅等地名地址信息;(4)规则匹配等方式:设定一系列搜索规则,如地址名称+地址类型等,基于规则在地址数据库中过滤出结果。例如,用户输入“北京市海淀区上地十街10号”,搜索引擎可以返回“北京市海淀区上地十街10号”地址信息。
上述传统的地址搜索方式,本质上都是依赖于关键字或类别进行匹配,容易出现因为输入错误或关键字不准确而导致搜索结果不准确的问题。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种地址搜索方法、系统及计算机可读存储介质,旨在解决传统的搜索方式容易出现因为输入错误或关键字不准确而导致搜索结果不准确的技术问题。
为实现上述目的,本申请提供一种地址搜索方法,所述地址搜索方法包括以下步骤:
接收地址搜索指令,并根据所述地址搜索指令确定地址搜索算法的输入值;
将所述输入值分别输入至少两个所述地址搜索算法;
根据所述地址搜索算法输出的搜索结果,以及各个所述搜索结果与所述地址搜索指令之间匹配度,确定目标搜索结果。
可选地,所述根据所述地址搜索算法输出的搜索结果,以及各个所述搜索结果与所述地址搜索指令之间匹配度,确定目标搜索结果的步骤之后包括:
根据预训练的映射模型,在数字孪生城市中确定所述目标搜索结果对应的空间位置;
根据所述目标搜索结果的层级,调用所述层级对应的可视化引擎,以所述层级对应的显示方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面,其中,所述层级包括地块级、楼级、房间级和构件级。
可选地,所述根据所述目标搜索结果的层级,调用所述层级对应的可视化引擎,以所述层级对应的显示方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面,其中,所述层级包括地块级、楼级、房间级和构件级的步骤包括:
若所述目标搜索结果是所述地块级,则调用cesium可视化引擎,以色块填充的方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面;
若所述目标搜索结果是楼级地址,则调用cesium可视化引擎,以高亮的方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面;
若所述目标搜索结果是房间级,则调用高渲染可视化引擎,以高亮和抽屉拉出所述目标搜索结果所在楼层的方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面;
若所述目标搜索结果是构件级,则调用高渲染可视化引擎,以突出所述目标搜索结果的方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面。
可选地,所述根据预训练的映射模型,在数字孪生城市中确定所述目标搜索结果对应的空间位置的步骤之前包括:
获取城市数据,所述城市数据包括三维地图数据、实景数据、BIM数据和城市运行数据;
基于所述城市数据构建所述数字孪生城市。
可选地,所述根据预训练的映射模型,在数字孪生城市中确定所述目标搜索结果对应的空间位置的步骤之后,还包括:
确定所述目标搜索结果对应的空间位置关联的实体对象信息和实时动态数据;
将所述实体对象信息和实时动态数据输出至用户的显示界面。
可选地,所述地址搜索算法包括模糊匹配算法、词向量算法、语义分析算法和深度学习模型,所述将所述输入值分别输入至少两个所述地址搜索算法的步骤之后包括:
通过模糊算法将所述输入值与所述地址数据进行相似度计算,并将相似度最高的所述地址数据作为搜索结果;和/或
通过词向量算法将所述输入值和所述地址数据向量化,并将与所述输入值的向量相似度最高的所述地址数据作为搜索结果;和/或
通过语义分析算法解析所述输入值的语义,并将与所述输入值的语义相似度最高的所述地址数据作为搜索结果;和/或
通过深度学习模型将所述输入值与所述地址数据嵌入到同一个语义空间中,将所述语义空间中与所述输入值最接近的所述地址数据作为搜索结果。
可选地,所述接收地址搜索指令,并根据所述地址搜索指令确定地址搜索算法的输入值的步骤包括:
接收地址搜索指令,确定所述地址搜索指令关联的触发区域,所述触发区域包括图像和/或文字;
提取所述触发区域的关键信息;
根据所述关键信息,确定地址搜索算法的输入值。
可选地,所述提取所述触发区域的关键信息的步骤之后包括:
检测所述关键信息是否包括地名指向信息;
若否,则获取所述关键信息的关联信息;
所述根据所述关键信息,确定地址搜索算法的输入值的步骤包括:
根据所述关键信息和所述关联信息,确定地址搜索算法的输入值。
此外,为实现上述目的,本申请还提供一种地址搜索系统,所述系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地址搜索程序,所述地址搜索程序配置为实现上述的地址搜索方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有地址搜索程序,所述地址搜索程序被处理器执行时实现上述的地址搜索方法的步骤。
在本申请中,为了解决传统的搜索方式容易出现因为输入错误或关键字不准确而导致搜索结果不准确的技术问题,本申请通过接收地址搜索指令,并根据所述地址搜索指令确定地址搜索算法的输入值;将所述输入值分别输入至少两个所述地址搜索算法;根据所述地址搜索算法输出的搜索结果,以及各个所述搜索结果与所述地址搜索指令之间匹配度,确定目标搜索结果。实现了通过使用多个搜索算法,并利用不同搜索算法具有不同的搜索策略和不同的算法模型的特性,能够考虑到不同的因素和特征,从而相互补充和纠正,减少单一算法的偏差和错误,从整体上提高了搜索结果的准确性。
附图说明
图1为本申请地址搜索方法第一实施例的流程示意图;
图2为本申请地址搜索方法第二实施例的流程图;
图3为本申请地址搜索方法第三实施例的流程示意图;
图4为本申请地址搜索方法第四实施例的流程示意图;
图5为本申请实施例方案涉及的硬件运行环境的地址搜索系统的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
现有的地名地址搜索技术中,传统的搜索方式主要包括:关键词匹配、模糊查询、地理坐标定位和规则匹配等方式。上述传统的地址搜索方式,本质上都是依赖与关键字或类别进行匹配,容易出现因为输入错误或关键字不准确而导致搜索结果不准确的问题。
为了解决上述问题,本申请通过接收地址搜索指令,并根据所述地址搜索指令确定地址搜索算法的输入值;将所述输入值分别输入至少两个所述地址搜索算法;根据所述地址搜索算法输出的搜索结果,以及各个所述搜索结果与所述地址搜索指令之间匹配度,确定目标搜索结果。实现了通过使用多个搜索算法,并利用不同搜索算法具有不同的搜索策略和不同的算法模型的特性,能够考虑到不同的因素和特征,从而相互补充和纠正,减少单一算法的偏差和错误,从整体上提高了搜索结果的准确性。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
本申请实施例提供了一种地址搜索方法,参照图1,图1为本申请一种地址搜索方法第一实施例的流程示意图。
本实施例中,所述地址搜索方法包括:
步骤S10:接收地址搜索指令,并根据所述地址搜索指令确定地址搜索算法的输入值;
可选地,作为一种实施方式,用户直接通过本申请的地址搜索系统,以语音、文字或者图片的方式输入想要搜索的内容,并通过语音或者按键的方式触发地址搜索指令,当地址搜索系统接收到地址搜索指令,则从地址搜索指令关联的输入内容中提取输入值,所述输入值包括地址名称、门牌号、楼层、房间号、构件功能用途等信息。
例如:用户在地址搜索系统的操作界面上输入“上海东方明珠广播电视塔在哪里”并点击搜索键,系统接收到用户点击操作触发的地址搜索指令,则提取地址搜索指令关联的输入框的输入内容中的输入值,该输入值为上海东方明珠广播电视塔。
可选地,作为另一种实施方式,用户在前台使用别的应用程序,而本申请在后台运行。当用户在别的应用程序上看到想要知道具体位置的内容时,可以通过第一预设操作,选中触发区域,触发区域内包括想要定位的内容,通过第二预设操作触发地址搜索指令。地址搜索系统在后台运行时,接收到第二预设操作触发的地址搜索指令,从触发区域内包含的信息中提取输入值。
步骤S20:将所述输入值分别输入至少两个所述地址搜索算法;
可选地,所述地址搜索算法包括模糊匹配算法、词向量算法、语义分析算法和深度学习模型等,将所述输入值输入至少两个上述地址搜索算法。
可选地,所述地址搜索算法包括模糊匹配算法。通过模糊算法将所述输入值与所述地址数据进行相似度计算,并将相似度最高的所述地址数据作为搜索结果。例如,输入“东方明珠”可以匹配到“上海东方明珠广播电视塔”。该算法可以处理输入与地址名称之间的字符变化、缺失等情况。匹配度=1-编辑距离/最大编辑距离,其中,编辑距离是输入文本与地点名称/地址的Levenshtein距离;最大编辑距离是输入文本和地点名称/地址的最大长度。编辑距离越小表示匹配度越高。
可选地,所述地址搜索算法包括词向量算法。通过词向量算法将所述输入值和所述地址数据向量化,并将与所述输入值的向量相似度最高的所述地址数据作为搜索结果。
具体地,通过所述词向量算法将所述输入值映射为查询向量;计算所述查询向量和所述地址数据对应的向量之间的余弦相似度;选定最高的余弦相似度关联的地址数据作为匹配结果。该算法可以处理同义词和近义词的情况。例如,输入“高层”可以匹配到“高楼层”匹配度=cosine(θ)=(A·B)/(||A||·||B||),其中,A和B是两文本的词向量,·表示点积,||·||表示向量长度。相似度越高表示匹配度越高。
可选地,所述地址搜索算法包括语义分析算法。通过语义分析算法解析所述输入值的语义,并将与所述输入值的语义相似度最高的所述地址数据作为搜索结果。
具体地,通过预训练的语义解析模型将所述地址搜索指令解析成语义结构;将所述语义结构与所述地址数据中包含的语义特征进行匹配;选定相似度最高的语义特征关联的地址数据作为匹配结果。例如,输入“去吃烤鸭的地方”可以匹配到“北京烤鸭胡同口菜”这样的地址。该算法通过训练语义解析模型理解输入与地址的数据之间的深层语义关联。匹配度=|A∩B|/|A∪B|,其中;A和B分别是输入文本关键词集和地点名称/地址关键词集;|A∩B|是A和B的交集数量;|A∪B|是A和B的并集数量。
可选地,所述地址搜索算法包括深度学习模型,例如LSTM网络、Transformer网络等,通过深度学习模型将所述输入值与所述地址数据嵌入到同一个语义空间中,将所述语义空间中与所述输入值最接近的所述地址数据作为搜索结果。该模型可以全面考虑输入与地址之间的复杂匹配关系。匹配度=σ(Wx+b),其中,x是输入文本的特征向量,W和b是网络模型的参数;σ是Sigmoid激活函数,其值为0-1之间,表示匹配得分。
步骤S30:根据所述地址搜索算法输出的搜索结果,以及各个所述搜索结果与所述地址搜索指令之间匹配度,确定目标搜索结果。
可选地,综合以上多种地址搜索算法,选取匹配度最高和最相关的搜索结果作为目标搜索结果返回给用户。
可选地,基于所述目标搜索结果关联的地址搜索算法,确定所述目标搜索结果对应的置信度和匹配解释,并将所述置信度和所述匹配解释输出至用户的显示界面,能够有效提高搜索结果的透明度。其中,置信度表示对搜索结果的信任程度,而匹配解释则是对搜索结果与搜索指令之间的关联性和相似性进行解释和说明。这样可以提供更可靠和准确的搜索结果,并帮助用户更好地理解和使用搜索服务。
作为一种实施方式,对于多个搜索结果,可以进行统计分析,比较它们之间的共现性和一致性。如果多个搜索算法都给出了相似的结果,那么可以认为目标搜索结果的置信度较高。此外,还可以分析搜索结果与搜索指令之间的匹配度,以评估搜索结果的准确性。
作为另一种实施方式,基于相同或相似地址搜索指令的搜索结果的用户反馈,确定目标搜索结果的置信度。例如通过用户调查、评分、评论等方式收集用户意见。如果多个用户对目标搜索结果给出了积极的评价,那么可以提高目标搜索结果的置信度。
此外,系统还能够接收使用过地址搜索功能的用户的反馈信息,将所述反馈信息和所述反馈信息关联的地名地址指令作为分析数据保存;并基于所述分析数据,通过数据挖掘和机器学习方法,为所述反馈信息中存在的问题提供解决方案,其中,数据挖掘技术可以帮助系统从大量的数据中提取有用的信息,并发现隐藏的关联和规律。机器学习方法可以通过训练模型来自动识别和解决问题,例如分类问题、聚类问题等。以便进一步分析用户需求和搜索质量并确保及时发现搜索过程中潜在的规律和问题,以提出解决方案。
例如,如果用户反馈了某个地点的交通拥堵问题,系统可以分析历史交通数据、实时交通流量等信息,并提供优化路线或交通管理建议。如果用户反馈了某个地点的定位偏离,系统可以针对改地点的定位精度进行优化,为后续搜索该地点的用户提供更准确的定位服务。
在本实施例中,通过接收地址搜索指令,并根据所述地址搜索指令确定地址搜索算法的输入值;将所述输入值分别输入至少两个所述地址搜索算法;根据所述地址搜索算法输出的搜索结果,以及各个所述搜索结果与所述地址搜索指令之间匹配度,确定目标搜索结果。实现了通过使用多个搜索算法,并利用不同搜索算法具有不同的搜索策略和不同的算法模型的特性,能够考虑到不同的因素和特征,从而相互补充和纠正,减少单一算法的偏差和错误,从整体上提高了搜索结果的准确性。
进一步地,参照图2,图2为本申请地址搜索方法第二实施例的流程示意图,提供本申请的第二实施例,所述步骤S40之后包括:
步骤S41:根据预训练的映射模型,在数字孪生城市中确定所述目标搜索结果对应的空间位置。
现有的地址搜索结果多以列表形式、二维地图、三维地图展示搜索结果,展示效果不直观。在本实施例中,通过收集涵盖地下地表地上、室内室外、低空海陆一体的各类城市数据,包括高精度三维地图数据,如城市的地理信息数据,包括地形、道路、建筑物等;实景数据,如卫星图像、航拍图像等;BIM数据,如房建、交通、水务、地铁、地质、市政管线等精细化建模数据;城市运行数据,可以是城市的交通、能源、环境等方面的数据,如交通流量、能源消耗、空气质量等。以BIM(Building Information Modeling)精细化建模为技术路线,构建数字孪生城市。其中,数字孪生城市是指通过构建城市物理世界与网络空间一一对应、相互映射、协同交互的复杂系统,在网络空间再造一个与物理世界中的城市匹配、对应的孪生城市。数字孪生城市有利于实现城市全要素数字化、城市状态可视化、城市管理智能化,支撑城市规划建设,保障城市安全有序运行。
并获取真实世界中的地址数据。这可以通过多种途径进行,比如从现有的地址数据库中收集、从用户提供的数据中获取或通过地理信息系统等数据源获取。
建立地址数据和数字孪生城市的映射关系。例如将地址信息如门牌号、楼层号、房间号、功能用途等与城市3D模型具体空间位置对应起来,形成地址-空间索引。采用深度学习技术,例如神经网络、卷积神经网络、循环神经网络等。训练地名地址和城市空间位置的映射模型。以实现输入目标搜索结果,可以输出所述目标搜索结果在数字孪生城市中的具体3D空间位置。
步骤S42:根据所述目标搜索结果的层级,调用所述层级对应的可视化引擎,以所述层级对应的显示方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面,其中,所述层级包括地块级、楼级、房间级和构件级。
在本实施例中,为了实现三维可视化表达。本申请基于BIM精细化建模的数字孪生城市场景,针对搜索结果的不同层级,如地块级、楼级、房间级和构件级等,基于多引擎自适应技术,使用不同的可视化引擎和展示方式,能够大幅提升渲染速度和效果。
作为一种实施方式,如果目标搜索结果是地块级地址,基于cesium可视化引擎,使用色块填充该地块区域,突出显示在场景中。同时提供地块属性信息,如行政区划、面积、用途分类等。
作为另一种实施方式,如果目标搜索结果是楼级地址,基于cesium可视化引擎,高亮显示和突出该楼的BIM模型。同时提供楼层信息、房间数、用途等属性信息。通过色彩分类展示不同楼层,显示更直观的空间层级信息。
作为另一种实施方式,如果目标搜索结果是房间级地址,基于高渲染可视化引擎,突出显示该楼的BIM模型,并通过类似“抽屉拉出”的样式拉出搜索房间的当前楼层,注释所有房间号,高亮当前搜索房间,而其他楼层不拉出,灰色展示。同时提供房间号、面积、用途等属性信息。
作为另一种实施方式,如果目标搜索结果是构件级地址,基于高渲染可视化引擎,突出显示展示该BIM模型构件,同时提供构件类型、面积等信息。
在本实施例中,通过构建以BIM精细化建模为技术路线的三维虚拟城市数字孪生,采用深度学习技术构建地址信息与城市数字模型的动态映射,采用多种算法模型,实现对城市地址的智能搜索。同时在数字孪生城市场景中,基于多引擎自适应技术,使用不同的可视化引擎和展示方式,提供丰富的属性和关联信息,与实时动态数据相结合,实现对城市流动状态的模拟和可视化。
进一步地,参照图3,图3为本申请地址搜索方法第三实施例的流程示意图,提供本申请的第三实施例,所述步骤S41之后还包括:
步骤S43:确定所述目标搜索结果对应的空间位置关联的实体对象信息和实时动态数据;
步骤S44:将所述实体对象信息和实时动态数据输出至用户的显示界面。
可选地,为了实现深度数据融合。在数字孪生城市场景中,城市各类数据实现三维空间上的精确集成与叠加,实现数据间的深度交互与联动。用户可以在三维场景中自由浏览和查询,实现虚拟环境中的城市运行模拟和可视化。除了展示步骤S42中BIM模型的属性信息外,还展示BIM模型关联的实体对象信息和实时动态数据。
可选地,关联实体对象信息,如地、楼、房、人等信息,通过BIM模型,可以查看和展示与特定位置或对象相关联的信息。例如,当选择某个房间时,可以查看房间的名称、用途、面积、高度等属性信息,并可以关联该房间所属的楼宇、地块等其他实体对象的信息。
可选地,关联实时动态数据,例如,在一个办公楼BIM模型中,可以集成传感器系统和数据采集设备,监测室内环境参数如温度、湿度、二氧化碳浓度等,并将这些数据实时展示在BIM模型中。还可以收集和展示人流量、电器运行状态等实时数据,以提供更全面的信息。
作为一种实施方式,所述目标搜索结果的层级为城市道路,除了展示城市道路属性信息外,也展示城市道路关联的实体对象信息和实时动态数据。其中,关联实体对象信息,如道路周边建筑、周边人口等信息;实时动态数据,可以显示实时的交通流量、空气质量、人流密度分布等。
可选地,BIM模型还可以存储和展示历史数据,这使得用户能够对建筑物运行和发展历史进行回顾和分析。例如,可以查看过去几年的能耗数据、人流量数据等,以了解建筑物的使用情况和趋势变化。这些历史数据可以帮助用户更好地了解建筑物的性能和改进空间,从而进行决策和规划。
可选地,BIM模型可以将历史和现状数据作为基础,进行未来的预测和仿真。通过分析历史数据和现有信息,可以进行建筑物运行和发展的模拟和预测。例如,可以基于过去几年的能耗数据和人流量数据,预测未来的能耗趋势和人流分布。
在本实施例中,BIM模型可以不仅仅展示静态的属性信息,还可以关联实体对象信息和实时动态数据,并利用历史和现状数据进行未来预测。这为用户提供了更丰富和准确的信息支持,实现了数字孪生城市中BIM模型的更广泛应用。
进一步地,参照图4,图4为本申请地址搜索方法第四实施例的流程示意图,提供本申请的第四实施例,所述步骤S10包括:
步骤S11:接收地址搜索指令,确定所述地址搜索指令关联的触发区域,所述触发区域包括图像和/或文字;
步骤S12:提取所述触发区域的关键信息;
可选地,在本实施例中,地址搜索系统处于后台运行状态,当接收到地址搜索指令,检测显示界面中是否存在触发区域,若是,则确定触发区域并从所述触发区域中提取关键信息,以减少用户的操作步骤和复杂度。其中,所述关键信息为触发区域内包含的文字信息。
步骤S13:检测所述关键信息是否包括地名指向信息;
可选地,通过检测关键信息是否包含地名指向信息,系统能够判断是否可以根据关键信息直接确定地址搜索算法的输入值,提高搜索的准确性和效率。其中,地名指向信息包括地址名称、门牌号、楼层、房间号、构件功能用途等能够支持实现精准定位的信息。
例如,触发区域内存在一古风建筑的图像,该古风建筑上有庆王府的牌匾,则提取出来的关键信息包括庆王府,庆王府作为地址名称能够支持实现精准定位,为地址指向信息。
步骤S14:若否,则获取所述关键信息的关联信息;
步骤S15:根据所述关键信息和所述关联信息,确定地址搜索算法的输入值。
可选地,若关键信息中不包括地名指向信息,则调用大数据搜索引擎获取关键信息的关联信息,以补充和完善输入值,提高搜索的准确性。
例如,触发区域内仅包括一建筑的图像,则调用大数据搜索引擎搜索该图像的匹配建筑,并将相似度最高的匹配建筑的名称作为关联信息。
可选地,将相似度最高的几个匹配建筑推送给用户,当接收到用户的选择指令,将选择指令关联的匹配建筑的名称作为关联信息。
可选地,根据所述关键信息和所述关联信息,确定地址搜索算法的输入值,能够提高搜索结果的准确性和匹配度。
在本实施例中,能够实现方便快捷的地址搜索功能,并提供更准确和全面的搜索结果。通过自动化处理和多模态支持,用户可以更轻松地进行地址搜索,提高搜索的效率和用户体验。
此外,本申请实施例还提出一种地址搜索系统。
参照图5,图5为本申请实施例方案涉及的硬件运行环境的地址搜索系统结构示意图。
如图5所示,该地址搜索系统可以包括:处理器1001,例如中央处理器(CentralProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccessMemory,RAM)存储器,也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图5中示出的结构并不构成对地址搜索系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及地址搜索程序。
在图5所示的地址搜索系统中,网络接口1004主要用于与其他系统进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请地址搜索系统中的处理器1001、存储器1005可以设置在地址搜索系统中,所述地址搜索系统通过处理器1001调用存储器1005中存储的地址搜索程序,并执行本申请实施例提供的地址搜索方法。
此外,本申请实施例还提出一种计算机可读存储介质。
本申请计算机可读存储介质上存储有地址搜索程序,所述地址搜索程序被处理器执行时实现如上所述的地址搜索方法的步骤。
其中,本申请计算机可读存储介质中存储的地址搜索程序被处理器执行的具体实施例与上述地址搜索方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个地址搜索”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端系统(可以是手机,计算机,服务器,或者网络系统等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (6)
1.一种地址搜索方法,其特征在于,所述地址搜索方法包括以下步骤:
接收地址搜索指令,确定所述地址搜索指令关联的触发区域,其中,所述触发区域存在于其它应用程序的显示界面上,所述触发区域包括图像和/或文字;
提取所述触发区域的关键信息,所述关键信息为触发区域内包含的文字信息;
检测所述关键信息是否包括地名指向信息,所述地名指向信息包括能够支持实现精准定位的信息,所述信息包括地址名称、门牌号、楼层、房间号和构件功能用途;
若否,则调用大数据搜索引擎搜索所述图像的匹配建筑,并将相似度最高的匹配建筑的名称作为关联信息;
根据所述关键信息和所述关联信息,确定地址搜索算法的输入值;
将所述输入值分别输入至少两个所述地址搜索算法,所述地址搜索算法包括模糊匹配算法、词向量算法、语义分析算法和深度学习模型;
根据所述地址搜索算法输出的搜索结果,以及各个所述搜索结果与所述地址搜索指令之间匹配度,确定目标搜索结果,以及所述目标搜索结果的匹配解释,所述匹配解释用于对所述目标搜索结果和所述地址搜索指令之间的关联性和相似性进行解释和说明;
基于所述目标搜索结果和其它搜索结果的统计分析结果,确定所述目标索结果的置信度,所述置信度用于表示对搜索结果的信任程度;
根据预训练的映射模型,在数字孪生城市中确定所述目标搜索结果对应的空间位置;
确定所述目标搜索结果对应的空间位置关联的实体对象信息和实时动态数据;
根据所述目标搜索结果的层级,调用所述层级对应的可视化引擎,以所述层级对应的显示方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面,其中,所述层级包括地块级、楼级、房间级和构件级;以及
将所述置信度、所述匹配解释、所述实体对象信息和所述实时动态数据输出至用户的显示界面。
2.如权利要求1所述的地址搜索方法,其特征在于,所述根据所述目标搜索结果的层级,调用所述层级对应的可视化引擎,以所述层级对应的显示方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面,其中,所述层级包括地块级、楼级、房间级和构件级的步骤包括:
若所述目标搜索结果是所述地块级,则调用cesium可视化引擎,以色块填充的方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面;
若所述目标搜索结果是楼级地址,则调用cesium可视化引擎,以高亮的方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面;
若所述目标搜索结果是房间级,则调用高渲染可视化引擎,以高亮和抽屉拉出所述目标搜索结果所在楼层的方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面;
若所述目标搜索结果是构件级,则调用高渲染可视化引擎,以突出所述目标搜索结果的方式,将所述目标搜索结果对应的空间位置输出至用户的显示界面。
3.如权利要求2所述的地址搜索方法,其特征在于,所述根据预训练的映射模型,在数字孪生城市中确定所述目标搜索结果对应的空间位置的步骤之前包括:
获取城市数据,所述城市数据包括三维地图数据、实景数据、BIM数据和城市运行数据;
基于所述城市数据构建所述数字孪生城市。
4.如权利要求1所述的地址搜索方法,其特征在于,所述将所述输入值分别输入至少两个所述地址搜索算法的步骤之后包括:
通过模糊算法将所述输入值与所述地址数据进行相似度计算,并将相似度最高的所述地址数据作为搜索结果;和/或
通过词向量算法将所述输入值和所述地址数据向量化,并将与所述输入值的向量相似度最高的所述地址数据作为搜索结果;和/或
通过语义分析算法解析所述输入值的语义,并将与所述输入值的语义相似度最高的所述地址数据作为搜索结果;和/或
通过深度学习模型将所述输入值与所述地址数据嵌入到同一个语义空间中,将所述语义空间中与所述输入值最接近的所述地址数据作为搜索结果。
5.一种地址搜索系统,其特征在于,所述系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地址搜索程序,所述地址搜索程序配置为实现如权利要求1至4中任一项所述的地址搜索方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有地址搜索程序,所述地址搜索程序被处理器执行时实现如权利要求1至4任一项所述的地址搜索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311230850.6A CN116992167B (zh) | 2023-09-22 | 2023-09-22 | 地址搜索方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311230850.6A CN116992167B (zh) | 2023-09-22 | 2023-09-22 | 地址搜索方法、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992167A CN116992167A (zh) | 2023-11-03 |
CN116992167B true CN116992167B (zh) | 2024-01-23 |
Family
ID=88525049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311230850.6A Active CN116992167B (zh) | 2023-09-22 | 2023-09-22 | 地址搜索方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992167B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654866A (zh) * | 2011-03-02 | 2012-09-05 | 北京百度网讯科技有限公司 | 例句索引创建方法和装置以及例句检索方法和装置 |
JP5559911B1 (ja) * | 2013-06-17 | 2014-07-23 | ソフトバンクモバイル株式会社 | 情報検索装置及びプログラム |
CN106996782A (zh) * | 2015-10-28 | 2017-08-01 | Sk 普兰尼特有限公司 | 路线引导服务装置 |
CN110162686A (zh) * | 2019-05-23 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 服务搜索方法、装置、服务器、设备及介质 |
CN111752448A (zh) * | 2020-05-28 | 2020-10-09 | 维沃移动通信有限公司 | 信息显示方法、装置及电子设备 |
CN113096251A (zh) * | 2021-04-06 | 2021-07-09 | 苍穹数码技术股份有限公司 | 基于cim的模型处理方法、装置、设备及存储介质 |
CN115438215A (zh) * | 2022-11-08 | 2022-12-06 | 苏州浪潮智能科技有限公司 | 图文双向搜索及匹配模型训练方法、装置、设备及介质 |
-
2023
- 2023-09-22 CN CN202311230850.6A patent/CN116992167B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654866A (zh) * | 2011-03-02 | 2012-09-05 | 北京百度网讯科技有限公司 | 例句索引创建方法和装置以及例句检索方法和装置 |
JP5559911B1 (ja) * | 2013-06-17 | 2014-07-23 | ソフトバンクモバイル株式会社 | 情報検索装置及びプログラム |
CN106996782A (zh) * | 2015-10-28 | 2017-08-01 | Sk 普兰尼特有限公司 | 路线引导服务装置 |
CN110162686A (zh) * | 2019-05-23 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 服务搜索方法、装置、服务器、设备及介质 |
CN111752448A (zh) * | 2020-05-28 | 2020-10-09 | 维沃移动通信有限公司 | 信息显示方法、装置及电子设备 |
CN113096251A (zh) * | 2021-04-06 | 2021-07-09 | 苍穹数码技术股份有限公司 | 基于cim的模型处理方法、装置、设备及存储介质 |
CN115438215A (zh) * | 2022-11-08 | 2022-12-06 | 苏州浪潮智能科技有限公司 | 图文双向搜索及匹配模型训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116992167A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jones et al. | Modelling vague places with knowledge from the Web | |
Kerle et al. | Collaborative damage mapping for emergency response: the role of Cognitive Systems Engineering | |
US20080052638A1 (en) | Systems and methods for obtaining and using information from map images | |
CN114491773A (zh) | 建筑方案生成的方法、装置、计算机设备以及存储介质 | |
CN107018486A (zh) | 处理视觉查询的方法和系统 | |
WO2020098252A1 (zh) | 一种路径规划方法、服务器及计算机存储介质 | |
Ali et al. | Rule-guided human classification of Volunteered Geographic Information | |
CN112528639B (zh) | 对象识别方法和装置、存储介质及电子设备 | |
Li et al. | A method based on an adaptive radius cylinder model for detecting pole-like objects in mobile laser scanning data | |
WO2015018247A1 (zh) | 事件多维度信息显示装置和方法 | |
US20220374467A1 (en) | Map Search Recommendation System Based on Image Content Analysis Driven Geo-Semantic Index | |
CN110647607A (zh) | 一种基于图片识别的poi数据的验证方法和装置 | |
CN111915608B (zh) | 建筑物提取方法、装置、设备和存储介质 | |
CN109614507A (zh) | 一种基于频繁项挖掘的遥感图像推荐装置 | |
Lin et al. | Extracting urban landmarks from geographical datasets using a random forests classifier | |
CN112597389A (zh) | 一种基于用户行为实现物品推荐的控制方法及装置 | |
CN112711645A (zh) | 一种位置点信息扩展方法、装置、存储介质和电子设备 | |
CN116992167B (zh) | 地址搜索方法、系统及计算机可读存储介质 | |
CN117171355A (zh) | 一种文化基因知识图谱的构建方法及装置 | |
Havinga et al. | Geo-data for mapping scenic beauty: Exploring the potential of remote sensing and social media | |
CN113449066B (zh) | 利用知识图谱来存储文物数据的方法、处理器及存储介质 | |
CN115470363A (zh) | 基于Unity的三维地图语义注释方法 | |
CN112257517B (zh) | 一种基于景点聚类和群体情感识别的旅游景点推荐系统 | |
CN110569323B (zh) | 一种室内导航地标提取方法 | |
CN114154085A (zh) | 一种信息推荐方法、装置、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 |