CN117493639A - 一种兴趣点处理方法、装置、电子设备和存储介质 - Google Patents
一种兴趣点处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117493639A CN117493639A CN202311246952.7A CN202311246952A CN117493639A CN 117493639 A CN117493639 A CN 117493639A CN 202311246952 A CN202311246952 A CN 202311246952A CN 117493639 A CN117493639 A CN 117493639A
- Authority
- CN
- China
- Prior art keywords
- interest
- business hours
- processed
- points
- business
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims description 20
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012795 verification Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Library & Information Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种兴趣点处理方法、装置、电子设备和存储介质,涉及数据处理技术领域,尤其涉及地图数据处理技术、图像处理技术领域。方法包括:获取缺失营业时间的待处理兴趣点;确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点;对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间;确定所述待处理兴趣点对应的营业状态时序数据,并根据所述营业状态时序数据对所述候选营业时间进行验真处理;将验真处理后的候选营业时间添加到所述待处理兴趣点中。本公开方案实现了为缺少营业时间的兴趣点自动生成准确营业时间的效果。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及地图数据处理技术、图像处理技术领域,具体涉及一种兴趣点处理方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
兴趣点(point of interest,POI)信息(或称为POI数据)一般是指地理信息中某个地理位置点相关的一些信息。例如,地理位置点可以是一栋房子、一个商铺或门店、一个邮筒、一个公交站等。POI信息可以包括地理位置点的名称、地址、坐标、电话、营业时间、品牌等字段。其中,POI的营业时间非常重要,可能会影响用户的出行决策,影响用户对于POI的体验。
发明内容
本公开提供了一种兴趣点处理方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面,提供了一种兴趣点处理方法,包括:
获取缺失营业时间的待处理兴趣点;
确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点;
对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间;
确定所述待处理兴趣点对应的营业状态时序数据,并根据所述营业状态时序数据对所述候选营业时间进行验真处理;
将验真处理后的候选营业时间添加到所述待处理兴趣点中。
根据本公开的另一方面,提供了一种兴趣点处理装置,包括:
兴趣点数据筛选模块,用于获取缺失营业时间的待处理兴趣点;
兴趣点召回模块,用于确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点;
时间聚类模块,用于对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间;
验真模块,用于确定所述待处理兴趣点对应的营业状态时序数据,并根据所述营业状态时序数据对所述候选营业时间进行验真处理;
数据处理模块,用于将验真处理后的候选营业时间添加到所述待处理兴趣点中。
根据本公开的另一方面,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本公开任意实施例所述的兴趣点处理方法。
根据本公开的另一方面,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,所述计算机指令用于使计算机执行本公开任意实施例所述的兴趣点处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开任意实施例的兴趣点处理方法。
根据本公开的技术,针对特定类别缺失营业时间兴趣点,召回其附近相同类别且含有营业时间的目标兴趣点,对目标兴趣点的营业时间尽心聚类,筛选最优候选营业时间,并对聚合出的候选营业时间进行验真,最后产出新营业时间,如此实现了为缺少营业时间的兴趣点,自动生成准确的营业时间;由于本公开方案产出兴趣点营业时间,不依赖外部情报,避免了因为外部情报不及时导致产出营业时间时效性差的问题,还避免了因为外部情报不准确导致产出的营业时间不准确的问题。
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的一种兴趣点处理方法的流程示意图;
图2是根据本公开实施例的另一种兴趣点处理方法的流程示意图;
图3是根据本公开实施例的另一种兴趣点处理方法的流程示意图;
图4是根据本公开实施例的一种兴趣点处理装置的结构示意图;
图5是用来实现本公开实施例的兴趣点处理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。
本公开方案中,营业时间是地图上兴趣点的重要属性之一,用户出行前可以通过营业时间提前了解兴趣点开关门时间,方便用户合理安排出行时间。然而,现有的兴趣点数据库中很多兴趣点缺少营业时间。基于此,本公开提出一种为缺少营业时间的兴趣点自动生成准确营业时间的兴趣点处理方法。该方法的具体流程可以参见如下实施例。
图1是根据本公开实施例的一种兴趣点处理方法的示意图,本实施例可适用于对缺少营业时间的兴趣点自动补充营业时间的情况。该方法可由一种兴趣点处理装置来执行,该装置采用软件和/或硬件的方式实现。
如图1所示,该方法具体包括如下:
S101、获取缺失营业时间的待处理兴趣点。
本实施例中,待处理兴趣点可选的是兴趣点数据库中缺少营业时间的兴趣点。在获取待处理兴趣点时,首先与兴趣点数据库建立连接,进而向兴趣点数据库发送包括查询语句的查询指令,根据查询结果确定兴趣点数据中缺少营业时间的待处理兴趣点。需要说明的是,获取到的待处理兴趣点的数量可以为多个。针对任一待处理兴趣点,可以按照步骤S102-S105为该待处理兴趣点生成准确的营业时间。
S102、确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点。
本实施例中,可以先从兴趣点数据库中获取待处理兴趣点的位置,以及待处理兴趣点的类型(例如美食、购物、生活服务、丽人等)。进一步的,以所述待处理兴趣点的位置为中心,预设距离为半径,确定召回区域;其中,预设距离可以根据实际需要进行设定,例如可以为100米;根据兴趣点的空间位置关系,从兴趣点数据库中将所有处于召回区域内兴趣点召回;基于待处理兴趣点的类型,对召回的兴趣点进行初次筛选,保留与待处理兴趣点类型相同的兴趣点;针对初次筛选出的兴趣点,将其中缺失营业时间的兴趣点剔除,只保留具有营业时间的兴趣点,并将其作为目标兴趣点;其中,召回的目标兴趣点的数量至少为一个。也即本实施例中,主要是将召回区域中与待处理兴趣点类型相同,且具有营业时间的目标兴趣点召回。需要说明的是,召回与待处理兴趣点类型相同,且具有营业时间的目标兴趣点,是挖掘待处理兴趣点营业时间的基础。
S103、对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间。
本实施例中,针对召回的目标兴趣点,可以采用预设的聚类算法(例如基于密度的聚类算法),对所述目标兴趣点的营业时间进行聚类,得到聚类结果;将所述聚类结果中出现次数最多,且出现有次数大于预设值的营业时间作为所述候选营业时间。需要说明的是,由于目标兴趣点与待处理兴趣点的类型相同,而同类型的兴趣点的营业时间接近,如此通过对目标兴趣点的营业时间进行聚类,可以挖掘出待处理兴趣点最有可能的候选营业时间。
S104、确定所述待处理兴趣点对应的营业状态时序数据,并根据所述营业状态时序数据对所述候选营业时间进行验真处理。
本实施例中,步骤S103中挖掘出的候选营业时间有可能不准确定,需要对候选营业时间进行验真处理;其中,验真处理主要是判断候选时间是否准确,以及对不准确的候选营业时间进行调整。
为了对候选营业时间进行验真,需要获取参考数据,本实施例中,参考数据可以是待处理兴趣点对应的营业状态时序数据;其中,营业状态可以包括营业中和未营业两种;营业状态时序数据包括待处理兴趣点在不同时间点的营业状态。需要说明的是,待处理兴趣点的营业状态时序数据是基于预先在不同时间点采集的待处理兴趣点图像挖掘出的。
在一种可选的实现方案中,确定所述待处理兴趣点对应的营业状态时序数据,包括:首先,获取所述待处理兴趣点的图像序列;其中,所述图像序列包括预先在不同时间点采集的所述待处理兴趣点的图像;示例性的,可以在工作日或休息日,通过采集设备,预先每隔半小时采集一张待处理兴趣点的图像。需要说明的是,在兴趣点数据库中,每个兴趣点各自对应一个图像序列。进一步的,对所述待处理兴趣点的图像序列进行语义识别,并根据语义识别结果确定所述待处理兴趣点在不同时间点的营业状态;示例性的,针对任一时间点采集的图像,先对该图像进行预处理(例如灰度化、降噪等),以保证后续识别的准确性;进而对预处理后的图像进行特征提取,例如提取与营业状态相关的特征(例如门口的人流量);基于提取到的特征进行语义识别或预测,确定在采集该图像的时间点,待处理兴趣点的营业状态。最后,根据所述待处理兴趣点在不同时间点的营业状态,确定所述待处理兴趣点对应的营业状态时序数据。需要说明的是,待处理兴趣点的营业状态时序数据可以真实的反应在各个时间点,待处理兴趣点的真实营业状态。
进一步的,根据所述营业状态时序数据对所述候选营业时间进行验真处理,主要判断营业状态时序数据中所有处于营业中的时间点,是否处于候选营业时间内,若是,则认为聚合出的候选营业时间是准确的;若否,则需要根据营业状态时序数据调整候选营业时间,以保证最终的候选营业时间的准确性。
S105、将验真处理后的候选营业时间添加到所述待处理兴趣点中。
本实施例中,将验真处理后的候选营业时间添加到所述待处理兴趣点中,实现了兴趣点营业时间的自动生成。
本实施例中,针对特定类别缺失营业时间兴趣点,召回其附近相同类别且含有营业时间的目标兴趣点,对目标兴趣点的营业时间尽心聚类,筛选最优候选营业时间,并对聚合出的候选营业时间进行验真,最后产出新营业时间,如此实现了未缺少营业时间的兴趣点,自动生成准确的营业时间;同时本公开方案产出兴趣点营业时间,不依赖外部情报,避免了因为外部情报不及时导致产出营业时间时效性差的问题,还避免了因为外部情报不准确导致产出的营业时间不准确的问题。
图2是根据本公开实施例的另一种兴趣点处理方法的流程示意图。如图2所示,该兴趣点处理方法具体包括如下步骤:
S201、获取缺失营业时间的待处理兴趣点。
可选的,从兴趣点数据库中获取中长尾兴趣点;其中,所述中长尾兴趣点是指被检索次数小于预设次数阈值的兴趣点;按照预设的兴趣点类型,从所述中长尾兴趣点中获取缺失营业时间的待处理兴趣点。
S202、确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点。
可选的,以所述待处理兴趣点的位置为中心,预设距离为半径,确定召回区域;将所述召回区域中与所述待处理兴趣点类型相同,且具有营业时间的目标兴趣点召回。
S203、对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间。
本实施例中,针对召回的目标兴趣点,可以采用预设的聚类算法,对所述目标兴趣点的营业时间进行聚类,得到聚类结果;将所述聚类结果中出现次数最多,且出现有次数大于预设值的营业时间作为所述候选营业时间。
S204、确定所述待处理兴趣点对应的营业状态时序数据。
可选的,获取所述待处理兴趣点的图像序列;其中,所述图像序列包括预先在不同时间点采集的所述待处理兴趣点的图像;对所述待处理兴趣点的图像序列进行语义识别,并根据语义识别结果确定所述待处理兴趣点在不同时间点的营业状态;根据所述待处理兴趣点在不同时间点的营业状态,确定所述待处理兴趣点对应的营业状态时序数据。
本实施例中,根据所述营业状态时序数据对所述候选营业时间进行验真处理的过程参见步骤S205-S206。
S205、根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一开门营业时间;将所述第一开门营业时间与所述候选营业时间中的第二开门营业时间进行比较;如果所述第一开门营业时间早于所述候选营业时间中的第二开门营业时间,则利用所述第一开门营业时间替换所述第二开门营业时间。
本实施例中,可以根据营业状态时序数据,确定待处理兴趣点处于营业中的所有时间点;将其中最早的时间点作为第一开门营业时间。候选营业时间中的第二开门营业时间指的是候选营业时间所包括的待处理兴趣点开始营业时间,即聚合出的开始营业时间。如果第一开门营业时间晚于候选营业时间中的第二开门营业时间,则认为候选营业时间的开始营业时间是准确的;如果所述第一开门营业时间早于所述候选营业时间中的第二开门营业时间,则确定在聚合出的开始营业时间之前,待处理兴趣点已经开始营业,也即聚合出的开始营业时间不准确,需要利用第一开门营业时间替换第二开门营业时间。
S206、根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一停止营业时间;将所述第一停止营业时间与所述候选营业时间中的第二停止营业时间进行比较;如果所述第一停止营业时间晚于所述候选营业时间中的第二停止营业时间,则利用所述第一停止营业时间替换所述第二停止营业时间。
本实施例中,可以根据营业状态时序数据,确定待处理兴趣点处于未营业状态的所有时间点;将其中最晚的时间点作为第一停止营业时间。候选营业时间中的第二停止营业时间指的是候选营业时间所包括的待处理兴趣点终止营业时间,即聚合出的终止营业时间。如果第一停止营业时间早于候选营业时间中的第二停止营业时间,则认为候选营业时间的终止营业时间是准确的;如果所述第一停止营业时间晚于候选营业时间中的第二停止营业时间,则确定在聚合出的终止营业时间之后,待处理兴趣点还在营业,也即聚合出的终止营业时间不准确,需要利用第一停止营业时间替换第二停止营业时间。
S207、将验真处理后的候选营业时间添加到所述待处理兴趣点中
本实施例中,通过验真处理可以保证候选营业时间中的开始营业时间和终止营业时间的准确性。
图3是根据本公开实施例的另一种兴趣点处理方法的流程示意图。如图3所示,该方法具体包括如下:
S301、从兴趣点数据库中获取中长尾兴趣点。
其中,所述中长尾兴趣点是指被检索次数小于预设次数阈值的兴趣点。本实施例方案,考虑到经常被检索的兴趣点一般不会缺少营业时间,而缺少营业时间的兴趣点主要是中长尾兴趣点。因此,首先获取中长尾兴趣点,例如将兴趣点数据库中被检索次数小于预设次数阈值的兴趣点作为中长尾兴趣点选出。
S302、按照预设的兴趣点类型,从所述中长尾兴趣点中获取缺失营业时间的待处理兴趣点。
本实施例中,预设的兴趣点类型可以是美食、购物、生活服务、丽人等,也可以包括其他类型,在此不做具体限定。在具体实现时,可以先将中长尾兴趣点中缺失营业时间的兴趣点全部选出;进而按照预设的兴趣点类型,对选出的兴趣点进行筛选,剩余的作为待处理兴趣点。
S303、确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点。
可选的,以所述待处理兴趣点的位置为中心,预设距离为半径,确定召回区域;将所述召回区域中与所述待处理兴趣点类型相同,且具有营业时间的目标兴趣点召回。
S304、对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间。
可选的,采用预设的聚类算法,对所述目标兴趣点的营业时间进行聚类,得到聚类结果;将所述聚类结果中出现次数最多的营业时间作为所述候选营业时间
S305、确定所述待处理兴趣点对应的营业状态时序数据,并根据所述营业状态时序数据对所述候选营业时间进行验真处理。
可选的,确定所述待处理兴趣点对应的营业状态时序数据,包括:获取所述待处理兴趣点的图像序列;其中,所述图像序列包括预先在不同时间点采集的所述待处理兴趣点的图像;对所述待处理兴趣点的图像序列进行语义识别,并根据语义识别结果确定所述待处理兴趣点在不同时间点的营业状态;根据所述待处理兴趣点在不同时间点的营业状态,确定所述待处理兴趣点对应的营业状态时序数据。
根据所述营业状态时序数据对所述候选营业时间进行验真处理,包括:
根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一开门营业时间;将所述第一开门营业时间与所述候选营业时间中的第二开门营业时间进行比较;如果所述第一开门营业时间早于所述候选营业时间中的第二开门营业时间,则利用所述第一开门营业时间替换所述第二开门营业时间。
根据所述营业状态时序数据对所述候选营业时间进行验真处理,还包括:根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一停止营业时间;将所述第一停止营业时间与所述候选营业时间中的第二停止营业时间进行比较;如果所述第一停止营业时间晚于所述候选营业时间中的第二停止营业时间,则利用所述第一停止营业时间替换所述第二停止营业时间。
S306、将验真处理后的候选营业时间添加到所述待处理兴趣点中。
本实施例实现针对特定类别的缺少营业时间的中长尾兴趣点,准确产出营业时间。
图4是根据本公开实施例的兴趣点处理装置的结构示意图,本实施例可适用于对缺少营业时间的兴趣点自动补充营业时间的场景。该装置可实现本公开任意实施例所述的兴趣点处理方法。如图4所示,该装置400具体包括:
兴趣点数据筛选模块401,用于获取缺失营业时间的待处理兴趣点;
兴趣点召回模块402,用于确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点;
时间聚类模块403,用于对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间;
验真模块404,用于确定所述待处理兴趣点对应的营业状态时序数据,并根据所述营业状态时序数据对所述候选营业时间进行验真处理;
数据处理模块405,用于将验真处理后的候选营业时间添加到所述待处理兴趣点中。
在上述实施例的基础上,可选的,验真模块包括:
图像序列获取单元,用于获取所述待处理兴趣点的图像序列;其中,所述图像序列包括预先在不同时间点采集的所述待处理兴趣点的图像;
识别单元,用于对所述待处理兴趣点的图像序列进行语义识别,并根据语义识别结果确定所述待处理兴趣点在不同时间点的营业状态;
时序数据确定单元,用于根据所述待处理兴趣点在不同时间点的营业状态,确定所述待处理兴趣点对应的营业状态时序数据。
在上述实施例的基础上,可选的,验真模块包括:
第一确定单元,用于根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一开门营业时间;
第一比较单元,用于将所述第一开门营业时间与所述候选营业时间中的第二开门营业时间进行比较;
第一替换单元,用于如果所述第一开门营业时间早于所述候选营业时间中的第二开门营业时间,则利用所述第一开门营业时间替换所述第二开门营业时间。
在上述实施例的基础上,可选的,验真模块包括:
第二确定单元,用于根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一停止营业时间;
第二比较单元,用于将所述第一停止营业时间与所述候选营业时间中的第二停止营业时间进行比较;
第二替换单元,用于如果所述第一停止营业时间晚于所述候选营业时间中的第二停止营业时间,则利用所述第一停止营业时间替换所述第二停止营业时间。
在上述实施例的基础上,可选的,兴趣点数据筛选模块还用于:
从兴趣点数据库中获取中长尾兴趣点;其中,所述中长尾兴趣点是指被检索次数小于预设次数阈值的兴趣点;
按照预设的兴趣点类型,从所述中长尾兴趣点中获取缺失营业时间的待处理兴趣点。
在上述实施例的基础上,可选的,兴趣点召回模块还用于:
以所述待处理兴趣点的位置为中心,预设距离为半径,确定召回区域;
将所述召回区域中与所述待处理兴趣点类型相同,且具有营业时间的目标兴趣点召回。
在上述实施例的基础上,可选的,时间聚类模块还用于:
采用预设的聚类算法,对所述目标兴趣点的营业时间进行聚类,得到聚类结果;将所述聚类结果中出现次数最多的营业时间作为所述候选营业时间。
上述产品可执行本公开任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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、各种执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501执行上文所描述的各个方法和处理,例如兴趣点处理方法。例如,在一些实施例中,兴趣点处理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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的兴趣点处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行兴趣点处理方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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)、区块链网络和互联网。
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执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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。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。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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提供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)
1.一种兴趣点处理方法,包括:
获取缺失营业时间的待处理兴趣点;
确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点;
对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间;
确定所述待处理兴趣点对应的营业状态时序数据,并根据所述营业状态时序数据对所述候选营业时间进行验真处理;
将验真处理后的候选营业时间添加到所述待处理兴趣点中。
2.根据权利要求1所述的方法,其中,确定所述待处理兴趣点对应的营业状态时序数据,包括:
获取所述待处理兴趣点的图像序列;其中,所述图像序列包括预先在不同时间点采集的所述待处理兴趣点的图像;
对所述待处理兴趣点的图像序列进行语义识别,并根据语义识别结果确定所述待处理兴趣点在不同时间点的营业状态;
根据所述待处理兴趣点在不同时间点的营业状态,确定所述待处理兴趣点对应的营业状态时序数据。
3.根据权利要求1或2所述的方法,其中,根据所述营业状态时序数据对所述候选营业时间进行验真处理,包括:
根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一开门营业时间;
将所述第一开门营业时间与所述候选营业时间中的第二开门营业时间进行比较;
如果所述第一开门营业时间早于所述候选营业时间中的第二开门营业时间,则利用所述第一开门营业时间替换所述第二开门营业时间。
4.根据权利要求1或2所述的方法,其中,根据所述营业状态时序数据对所述候选营业时间进行验真处理,包括:
根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一停止营业时间;
将所述第一停止营业时间与所述候选营业时间中的第二停止营业时间进行比较;
如果所述第一停止营业时间晚于所述候选营业时间中的第二停止营业时间,则利用所述第一停止营业时间替换所述第二停止营业时间。
5.根据权利要求1所述的方法,其中,获取缺失营业时间的待处理兴趣点,包括:
从兴趣点数据库中获取中长尾兴趣点;其中,所述中长尾兴趣点是指被检索次数小于预设次数阈值的兴趣点;
按照预设的兴趣点类型,从所述中长尾兴趣点中获取缺失营业时间的待处理兴趣点。
6.根据权利要求1所述的方法,其中,确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点,包括:
以所述待处理兴趣点的位置为中心,预设距离为半径,确定召回区域;
将所述召回区域中与所述待处理兴趣点类型相同,且具有营业时间的目标兴趣点召回。
7.根据权利要求1所述的方法,其中,对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间,包括:
采用预设的聚类算法,对所述目标兴趣点的营业时间进行聚类,得到聚类结果;将所述聚类结果中出现次数最多的营业时间作为所述候选营业时间。
8.一种兴趣点处理装置,包括:
兴趣点数据筛选模块,用于获取缺失营业时间的待处理兴趣点;
兴趣点召回模块,用于确定所述待处理兴趣点周边与所述待处理兴趣点类型相同且具有营业时间的目标兴趣点;
时间聚类模块,用于对所述目标兴趣点的营业时间进行聚类,并根据聚类结果确定候选营业时间;
验真模块,用于确定所述待处理兴趣点对应的营业状态时序数据,并根据所述营业状态时序数据对所述候选营业时间进行验真处理;
数据处理模块,用于将验真处理后的候选营业时间添加到所述待处理兴趣点中。
9.根据权利要求8所述的装置,其中,验真模块包括:
图像序列获取单元,用于获取所述待处理兴趣点的图像序列;其中,所述图像序列包括预先在不同时间点采集的所述待处理兴趣点的图像;
识别单元,用于对所述待处理兴趣点的图像序列进行语义识别,并根据语义识别结果确定所述待处理兴趣点在不同时间点的营业状态;
时序数据确定单元,用于根据所述待处理兴趣点在不同时间点的营业状态,确定所述待处理兴趣点对应的营业状态时序数据。
10.根据权利要求8或9所述的装置,其中,验真模块包括:
第一确定单元,用于根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一开门营业时间;
第一比较单元,用于将所述第一开门营业时间与所述候选营业时间中的第二开门营业时间进行比较;
第一替换单元,用于如果所述第一开门营业时间早于所述候选营业时间中的第二开门营业时间,则利用所述第一开门营业时间替换所述第二开门营业时间。
11.根据权利要求8或9所述的装置,其中,验真模块包括:
第二确定单元,用于根据所述营业状态时序数据,确定所述待处理兴趣点对应的第一停止营业时间;
第二比较单元,用于将所述第一停止营业时间与所述候选营业时间中的第二停止营业时间进行比较;
第二替换单元,用于如果所述第一停止营业时间晚于所述候选营业时间中的第二停止营业时间,则利用所述第一停止营业时间替换所述第二停止营业时间。
12.根据权利要求8所述的装置,其中,兴趣点数据筛选模块还用于:
从兴趣点数据库中获取中长尾兴趣点;其中,所述中长尾兴趣点是指被检索次数小于预设次数阈值的兴趣点;
按照预设的兴趣点类型,从所述中长尾兴趣点中获取缺失营业时间的待处理兴趣点。
13.根据权利要求8所述的装置,其中,兴趣点召回模块还用于:
以所述待处理兴趣点的位置为中心,预设距离为半径,确定召回区域;
将所述召回区域中与所述待处理兴趣点类型相同,且具有营业时间的目标兴趣点召回。
14.根据权利要求8所述的装置,其中,时间聚类模块还用于:
采用预设的聚类算法,对所述目标兴趣点的营业时间进行聚类,得到聚类结果;将所述聚类结果中出现次数最多的营业时间作为所述候选营业时间。
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中任一项所述的兴趣点处理方法。
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计算机执行根据权利要求1-7中任一项所述的兴趣点处理方法。
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中任一项所述的兴趣点处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311246952.7A CN117493639A (zh) | 2023-09-25 | 2023-09-25 | 一种兴趣点处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311246952.7A CN117493639A (zh) | 2023-09-25 | 2023-09-25 | 一种兴趣点处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117493639A true CN117493639A (zh) | 2024-02-02 |
Family
ID=89669725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311246952.7A Pending CN117493639A (zh) | 2023-09-25 | 2023-09-25 | 一种兴趣点处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493639A (zh) |
-
2023
- 2023-09-25 CN CN202311246952.7A patent/CN117493639A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114449343A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN112784102A (zh) | 视频检索方法、装置和电子设备 | |
CN116127319B (zh) | 多模态负样本构建、模型预训练方法、装置、设备及介质 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN113554062B (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
CN113596011B (zh) | 流量识别方法及装置,计算设备和介质 | |
US20210389156A1 (en) | Map rendering method and apparatus, device, and storage medium | |
CN117493639A (zh) | 一种兴趣点处理方法、装置、电子设备和存储介质 | |
CN114611609A (zh) | 一种图网络模型节点分类方法、装置、设备及存储介质 | |
CN113869317A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN114724090B (zh) | 行人再识别模型的训练方法、行人再识别方法及装置 | |
US20230130399A1 (en) | Wakeup Indicator Monitoring Method, Apparatus and Electronic Device | |
CN113642495B (zh) | 用于评价时序提名的模型的训练方法、设备、程序产品 | |
CN115102850B (zh) | 配置比对方法、装置、电子设备及存储介质 | |
CN115031750B (zh) | 阻断路段的状态确定方法、装置及计算机程序产品 | |
CN115309375B (zh) | 应用程序编程接口的处理方法、装置、电子设备及介质 | |
CN113836418A (zh) | 数据的推送方法、装置、电子设备和存储介质 |
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 |