CN104662540A - 用于在基于位置的网络中区域采样和评估的方法和装置 - Google Patents
用于在基于位置的网络中区域采样和评估的方法和装置 Download PDFInfo
- Publication number
- CN104662540A CN104662540A CN201380050239.3A CN201380050239A CN104662540A CN 104662540 A CN104662540 A CN 104662540A CN 201380050239 A CN201380050239 A CN 201380050239A CN 104662540 A CN104662540 A CN 104662540A
- Authority
- CN
- China
- Prior art keywords
- place
- region
- search
- comparison position
- processor
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
各种实施例提供了用于在基于位置的网络中使用低成本且高效的采样和评估算法来获得在一地理区域内的场所(即,地方)的代表性采样集的方法和装置。特别地,动态随机区域采样算法随机地选择地理区域内的目标位置,然后基于场所密度预测确定该地理区域内包含目标位置的子区域。场所密度预测基于地理区域内的两个或更多个可比较位置的场所密度的加权平均。
Description
技术领域
本发明大体涉及用于在基于位置的网络中提供场所(venue)收集的方法和装置。
背景技术
此部分介绍会有助于便于更好地理解本发明的各方面。因此,此部分的陈述要从这个角度来阅读,而不是要被理解为承认关于什么是现有技术或者什么不是现有技术。
在一些已知的基于位置的网络(location based network,LBN)中,场所数据集的收集通过对地理区域的整个网络进行遍历(例如,执行穷举搜索)来检索诸如用户的朋友关系和场所登记之类的场所数据而收集得到。在其它已知LBN中,场所数据集的收集使用诸如随机漫步或者广度优先搜索之类的采样算法来执行。
发明内容
各种实施例提供了用于在基于位置的网络中使用低成本且高效的采样和评估算法来获得在一地理区域内的场所(即,地方)的代表性采样集的方法和装置。特别地,动态随机区域采样算法随机地选择地理区域内的目标位置,然后基于场所密度预测确定该地理区域内包含目标位置的子区域。场所密度预测基于地理区域内的两个或更多个可比较位置的场所密度的加权平均。
在一个实施例中,提供了一种用于提供搜索区域内的场所数据集的装置。该装置包括数据存储装置和处理器。所述处理器被编程为:在所述搜索区域中随机地选择目标位置;选择第一可比较位置,所述第一可比较位置具有第一场所密度;选择第二可比较位置,所述第二可比较位置具有第二场所密度;基于所述目标位置、所述第一可比较位置和所述第二可比较位置以及所述第一场所密度和所述第二场所密度,在所述搜索区域内确定子区域;以及在所述子区域内确定内场所集。其中所述第一可比较位置和所述第二可比较位置被确定为具有比所述搜索区域内的其它已知位置更高的相关性。
在第二实施例中,提供了一种用于提供搜索区域内的场所数据集的方法。该方法包括:在所述搜索区域中随机地选择目标位置;选择第一可比较位置,所述第一可比较位置具有第一场所密度;选择第二可比较位置,所述第二可比较位置具有第二场所密度;基于所述目标位置、所述第一可比较位置和所述第二可比较位置以及所述第一场所密度和所述第二场所密度,在所述搜索区域内确定子区域;以及在所述子区域内确定内场所集。其中所述第一可比较位置和所述第二可比较位置被确定为具有比所述搜索区域内的其它已知位置更高的相关性。
在第三实施例中,提供了一种用于存储指令的计算机可读存储介质,当指令由计算机执行时指令促使计算机执行一种方法。该方法包括选择第一可比较位置,所述第一可比较位置具有第一场所密度;选择第二可比较位置,所述第二可比较位置具有第二场所密度;基于所述目标位置、所述第一可比较位置和所述第二可比较位置以及所述第一场所密度和所述第二场所密度,在所述搜索区域内确定子区域;以及在所述子区域内确定内场所集。其中所述第一可比较位置和所述第二可比较位置被确定为具有比所述搜索区域内的其它已知位置更高的相关性。
在上面实施例的任何实施例中,处理器还被编程为:确定采样预算;以及重复(a)至(f)直到满足采样预算。(a)至(f)包括:(a)在所述搜索区域中随机地选择新的目标位置;(b)选择新的第一可比较位置,所述新的第一可比较位置具有新的第一场所密度;(c)选择新的第二可比较位置,所述新的第二可比较位置具有新的第二场所密度;(d)基于新的目标位置、所述新的第一可比较位置和所述新的第二可比较位置以及所述新的第一场所密度和所述新的第二场所密度,在所述搜索区域内确定新的子区域;以及(e)在所述新的子区域内确定新的内场所集。(f)其中所述新的第一可比较位置和所述新的第二可比较位置被确定为具有比所述搜索区域内的其它已知有效位置更高的相关性。
在上面实施例的任何实施例中,所述处理器还被编程为:基于所述子区域与所述搜索区域内的多个其它已知子区域中的至少一个重叠的确定来修剪所述子区域。
在上面实施例的任何实施例中,处理器还被编程为:在搜索区域内随机地选择第二目标位置以及基于所述第二目标位置位于所述子区域中的确定来选择所述内场所集。
在上面实施例的任何实施例中,所述子区域的面积基于所述第一可比较位置和所述第二可比较位置以及所述第一场所密度和所述第二场所密度的加权平均。
在上面实施例的任何实施例中,子区域的面积还基于场所返回极限。
在上面实施例的任何实施例中,与所述搜索区域内的其它已知位置和所述目标位置之间的相应距离相比,所述更高的相关性基于所述第一可比较位置与所述目标位置之间的距离。
在上面实施例的任何实施例中,更高的相关性还基于第一可比较位置的第一地理地形特性和目标位置的第二地理地形特性。
在上面实施例的任何实施例中,更高的相关性还基于第一可比较位置相对于目标位置的方位与第二可比较位置相对于目标位置的方位之间的关联。
在上面实施例的任何实施例中,内场所集的确定包括将处理器配置成执行子区域的穷举场所搜索。
在上面实施例的任何实施例中,该方法还包括:基于所述子区域与所述搜索区域内的多个其它已知子区域中的至少一个重叠的确定来修剪所述子区域。
在上面实施例的任何实施例中,该方法还包括:在搜索区域内随机地选择第二目标位置;以及基于所述第二目标位置位于所述子区域中的确定来选择所述内场所集。
附图说明
在附图中图示了各种实施例,其中:
图1图示了包括用于基于位置的服务应用的基于位置的服务***100的一实施例的云网络;
图2描绘了图示在图1的基于位置的服务***100中用于DRRS服务器(例如图1的DRRS服务器150)收集在限定的地理区域内的场所的方法200的实施例的流程图;
图3图示了图2的方法200的一个实施例;
图4图示了图3的穷举搜索算法;
图5描绘了图示在图1的基于位置的服务***100中用于DRRS服务器(例如图1的DRRS服务器150)使用动态随机区域采样(DRRS)收集在标识的地理区域内的场所的方法500的实施例的流程图;
图6图示了图5的方法500的一个实施例;
图7图示了图6的DRRS搜索算法;以及
图8示意性地图示了诸如图1的DRRS服务器150之类的各种装置800的实施例。
为了便于理解,使用了同样的附图标记来指示具有基本相同或相似结构或者基本相同或相似功能的元素。
具体实施方式
本描述和附图仅仅图示了本发明的原理。因而将意识到,本领域技术人员将能够设计尽管未在本文明确描述或示出但是体现了本发明的原理且包括在本发明的范围内的各种布置。此外,本文中引用的所有示例原则上明确旨在仅出于教学目的以辅助读者理解本发明的原理和(多个)发明人对促进本领域所贡献的构思,并且被解释为对这样具体记载的示例和条件没有任何限制。另外,如本文中所使用的术语“或”指的是非排他性的,或者除非另外指示(例如,“否则”或者“或者在替代方案中”)。再者,本文所描述的各种实施例未必相互排斥,这是因为一些实施例可以与一个或更多个其它实施例相组合以形成新的实施例。
各种实施例提供了用于在基于位置的网络中的地理区域内使用低成本且高效的采样和评估算法来获得场所(即,地方)的代表性采样集的方法和装置。特别地,动态随机区域采样算法随机地选择地理区域内的目标位置,然后基于场所密度预测确定该地理区域内包含目标位置的子区域。场所密度预测基于地理区域内的两个或更多个可比较位置的场所密度的加权平均。
有利地,动态随机区域采样可以应用于诸如城市或者国家之类的相对大的区域,并且可以控制采样的用户和场所的位置。
有利地,可以利用地理区域内的代表性场所采样来评估各种统计信息,包括总的场所数,登记分布,等等。在理解基于位置的网络的不同方面上,诸如在目标市场营销中所使用的大众路线发现和用户移动性预测上,这样评估的统计信息可以提供有用的洞察。
图1图示了包括用于基于位置的服务应用的基于位置的服务***100的一实施例的云网络。基于位置的服务***100包括一个或更多个客户端120-1–120-n(统称客户端120),其通过通信路径访问驻留在一个或更多个位置应用服务器140-1–140-n(统称位置服务器140)上的一个或更多个分配的基于位置的服务应用实例(为了简明起见未示出)。通信路径包括客户端通信信道125-1–125-n(统称客户端通信信道125)中的适当的一个、网络130和LAS通信信道145-1–145-n(统称LAS通信信道145)之一。基于位置的服务应用实例利用由DRSS服务器150通过DRRS通信路径从一个或更多个场所数据库160-1–160-n(统称场所数据库160)搜集的(多个)代表性场所采样集。DRRS通信路径包括场所数据库通信信道165-1–165-n(统称场所数据库通信信道165)中的一个或多个以及DRRS服务器通信信道155。
客户端120可以包括能够经由一个或多个客户端通信信道125在网络130上发送或接收信息的任何类型的(多个)通信设备。例如,通信设备可以是瘦客户端、智能电话(例如,客户端120-n)、个人或膝上型计算机(例如,客户端120-1)、服务器、网络设备、上网本、电视机顶盒、媒体播放器等。通信设备可以依赖于示例性***内的其它资源以执行诸如处理或者存储之类的一部分任务,或者可以能够独立地执行任务。应当理解,虽然这里图示了两个客户端,但是***100可以包括更少或者更多的客户端。此外,由于在操作中在各个时间可以从***减去或者增加客户端,所以客户端的数目在任何一个时刻可以是动态的。
通信信道125、145、155和165支持在一个或多个通信信道上进行通信,一个或多个通信信道诸如:无线通信(例如,LTE,GSM,CDMA,蓝牙);WLAN通信(例如,WiFi);分组网络通信(例如IP);宽带通信(例如DOCSIS和DSL);存储通信(例如,光纤信道,iSCSI)等等。应当理解,尽管将通信信道125、145、155和165描绘为单个连接,但是它们也可以是任何数目个通信信道或者通信信道的组合。
网络130包括任何数目个接入和边缘节点以及网络设备和任何数目个链接与链接的配置。此外,应当理解,网络130可以包括无线或有线网络的任何组合或任何数目个有线或无线网络,其包括:LTE、GSM、CDMA、(多个)局域网(LAN)、(多个)无线局域网(WLAN)、广域网(WAN)、城域网(MAN)等等。
位置应用服务器140可以是提供基于位置的服务应用实例的任何装置。应当理解,虽然这里仅图示了两个位置应用服务器,但是***100可以包括更少或者更多的位置应用服务器。
DRRS服务器150可以是从一个或更多个场所服务器160获得地理区域内的场所集的任何装置。特别地,DRRS服务器150从一个或更多个场所数据库160获得一区域中的代表性场所采样集以评估各种统计信息,各种统计信息包括总的场所数、登记分布、人们针对该场所所留下的提示等等。应当理解,虽然这里仅图示了一个DRRS服务器,但是***100可以包括更多的DRRS服务器。
场所服务器160中的每一个都是DRRS服务器150所需的基于位置(例如,地理)的信息的永久存储装置。特别地,场所数据库160向DRRS服务器150提供给定地理区域中的场所列表。此外,至少一个场所数据库160施加了返回极限(例如,每个查询返回不多于50个场所)和任选地速率极限(例如,每个授权用户每小时500个API查询)以约束场所搜索的查询能力。
本文中所使用的术语“场所”意味着物理位置。本文中所使用的术语“基于位置的信息”包括与特定场所相关联的任何数据。例如,基于位置的信息可以是在场所登记的人数、场所目录(例如,艺术&娱乐或者药房)、场所名(例如,“CVS”)、地址、联系信息、设立时间、位置等级等等。
应当理解,在一些实施例中,一个或多个场所数据库160响应于查询可以不提供地理区域中的所有场所。例如,可以存在:(1)例如由于移除的场所、新的场所、复制的场所、未正确输入的场所等的原因导致返回中的小的错误率(例如,在一些实施例中错误率为百分之一或更小);(2)共享诸如像飞机或出租车之类的相同位置的场所;或者(3)受到私有控制的场所,所述私有控制诸如像被标识为“私有”的场所(例如,通过把Foursquare中的“家(私有)”场所赋予公共位置而使它们困惑)。本文所使用的术语“内场所(in-venue)”意味着响应于针对所请求地理区域内的场所的一个或多个数据库160的查询所返回的所请求地理区域内的那些场所。类似地,本文所使用的术语“外场所(out-venue)”意味着响应于针对所请求地理区域内的场所的一个或多个数据库160的查询所返回的所请求地理区域外部的那些场所。应当理解,VenuesIN+VenuesOUT=VenuesTOTAL。在一些实施例中,一个或多个场所数据库可以施加要搜索的最大的地理区域大小。
场所数据库160可以是任何合适的存储装置或存储器设备,并且可以包括任何数目的存储装置。所包括的(多个)存储装置可以是(1)分布式的;(2)类似地或不同的;或者(3)可以彼此是本地的或地理位置上是分散的。应当理解,虽然这里图示了两个场所数据库,但是***100可以包括更少或者更多的场所数据库。
在一些实施例中,场所数据库160之一是Foursquare场所搜索服务。在这些实施例的一些实施例中,DRRS服务器150经由API从场所数据库160中的该场所数据库访问基于位置的信息。
在***100包括一个以上场所数据库160的一些实施例中,DRRS服务器150从至少两个场所数据库160聚集信息。
在一些实施例中,一个或更多个图示的部件的功能驻留在相同装置中。例如,DRRS服务器150可以与一个或多个位置装置服务器140驻留在相同的装置中。类似地,DRRS服务器150可以与一个或多个场所数据库160驻留在相同的装置中。
图2描绘了图示在图1的基于位置的服务***100中用于DRRS服务器(例如图1的DRRS服务器150)收集在限定的地理区域内的场所的方法200的实施例的流程图。特别地,方法200是穷举搜索。该方法包括:确定是否满足停止条件(步骤220),如果不满足停止条件则对搜索区域进行划分(步骤240),和对划分的搜索区域执行场所搜索(260)。在步骤260之后,该方法返回到步骤220。
在方法200中,步骤220包括确定是否满足停止条件。特别地,停止条件是指示所标识的地理区域内的穷举场所收集完成的条件。穷举场所收集是被设计用于从给定地理区域检索完整的内场所集的方法。
在方法200中,步骤240包括对搜索区域进行划分。特别地,搜索区域被划分成不违反场所数据库(例如图1的数据库160之一)的最小分辨率或返回极限的尺寸。
在方法200中,步骤260包括针对在步骤240划分的区域执行场所搜索。特别地,执行用来检索在划分的地理区域内的内场所集的对场所数据库的查询。
在一些实施例中,方法200是最小分辨率搜索。在这些实施例的一些实施例中,采用最小分辨率搜索区域的网格对地理区域进行划分,并且关于每个理由执行场所搜索。在一些实施例中,停止条件可以是搜索网格中每个最小分辨率搜索区域的完成。应当理解,许多搜索算法可以规定最小限定搜索区域或者比阈限最小尺寸小的区域中所观测的搜索结果可以返回相同的场所结果。在这些实施例的一些实施例中,所施加的最小限定搜索区域或阈限最小尺寸是最小分辨率搜索区域。例如,我们观测到在从Foursquare返回的结果中,当边界框的经度或纬度为4.8828x 10-5那么小时,关于任何子框的查询返回与该边界框相同的场所集。这指示由Foursquare API处理的最小分辨率等同于在赤道的大概4.82m2和在60°维度的2.42m2。
在一些实施例中,方法200是二维二进制划分算法。在这些实施例的一些实施例中,方法200是如图3中所描述的。
在一些实施例中,步骤220发生在步骤260之后。
参照图3,下面解释Insearch算法。
在行1,InSearch接收G0,V0(G0)和作为输入。其中,G0是具有比阈限低的尺寸的地理区域,V0(G0)是场所集,以及是内场所集。
在行2,InSearch输出V(G0)、Vin(G0)和B0。其中,V(G0)是场所集,以及Vin(G0)是内场所集,以及B0是所执行的查询数中规定的算法的成本。
在行3,对变量进行初始化:V(G0)为空集以及B0为0。
任选地,在行4,如果地理区域G0的尺寸小于最小分辨率sq,则该方法在行5返回。
在行6,将地理区域G0划分成四个(4)区域;在行7,对划分的区域执行四个(4)搜索以返回内场所;以及在行8,将场所集 设定成包括行7返回的内场所。应当理解,由于已经执行了四个(4)搜索,所以在行7成本B0递增了4。
在行9,将当前内场所集与先前内场所集进行比较以确定是否已经收集了任何新的内场所,并且对总的先前场所集V0(G0)和返回阈限进行比较来确定所返回的场所集是否小于阈限。应当理解,新内场所集与先前内场所的比较保护了返回的场所集小于返回阈限的实例,但是地理区域中的实际场所数大于返回阈限。例如,我们观测到,在Foursquare中的一些实例中,当在一地理区域中实际上存在多于50个场所时,对该地理区域的查询可能返回小于50个场所(例如,返回极限)。此观测指示了具有小于个场所的返回可能不足以指示返回的完整性。
在行10,如果在行9的测试被满足,则该方法返回。
在行12,如果在行9的测试未被满足,则该方法针对这四个(4)划分的区域递归地执行InSearch调用(行13)并且将成本B0递增了相应的InSearch算法的成本(行14)。
在行15,将Vin(G0)设定成在步骤13中针对划分区域的内场所的四个(4)Insearch调用的合并以及将V(G0)设定成在步骤13中针对划分区域的场所的四个(4)InSearch调用。
在行16,该方法返回。
在一些实施例中,行9可以用V1(G0)中的场所是否小于返回阈限的测试来代替。在一些实施例中,行4还可以包括比较V1(G0)中的场所是否小于返回阈限的测试以及可以去除行9和行10。
在行9的一些实施例中,返回阈限可以是场所数据库的返回极限。在其它实施例中,返回极限可以是小于缓冲器阈限的返回极限。
在图3的算法的一些实施例中,停止条件是:(1)(a)返回的场所的数目小于返回阈限以及(b)通过再进行一个级别所获得的返回的内场所集未增加任何新的内场所;(行9)或(2)已经达到了最小分辨率(行4)。
参照图4,图示了图3的穷举搜索算法。地理区域410内的阴影的密度采用场所密度颜色条490来描绘。如所图示的,地理区域410的较暗的阴影面积具有更高的场所密度。在级别0,调用图3的Insearch例程。在级别1,向地理区域410应用二维二进制划分以创建由划分线420-1分隔开的四个第一划分区域,以及对这四(4)个第一划分区域执行四个API搜索。如图3的InSearch算法中所图示的,由划分线420-2至420-5对这四个第一划分区域进行子划分直到满足停止条件为止。应当理解,将使较小密度的区域子划分得更小(例如,在地理区域410的上左象限由划分线420-2、420-4和420-5进一步地进行子划分的同时,未对地理区域410的上右象限进一步进行子划分。
图5描绘了图示在图1的基于位置的服务***100中用于DRRS服务器(例如图1的DRRS服务器150)使用动态随机区域采样(DRRS)收集在所标识的地理区域内的场所的方法500的实施例的流程图。该方法包括:确定是否超过采样预算(步骤520)以及基于该确定,结束该方法(步骤595)或者确定所标识的地理区域中的场所。确定所标识的地理区域中的场所包括:在地理区域内选择目标位置(步骤530);任选地确定目标位置是否包含在其中所包括场所已经确定的地理区域中(步骤540)以及基于该确定,返回到步骤520或者进行到步骤550。在步骤550,基于目标位置选择可比较位置(步骤550),基于目标位置和可比较位置确定搜索区域(步骤560),确定搜索区域中的场所(步骤570),并且该方法返回到步骤520。
在方法500中,步骤520包括确定是否超过采样预算。基于该确定,该方法进行到步骤530或者返回(步骤595)。特别地,预算标识了在确定所标识的地理区域内的场所分布时使用的阈限资源量,并且如果超过该阈限,则该方法返回。预算可以是任何合适的参数。例如,在一些实施例中,预算是可以执行的场所检索请求的阈限数目。
在方法500中,步骤530包括在地理区域内选择目标位置。特别地,位置“ll”是从所标识的地理区域内随机选择的。
方法500任选地包括步骤540。步骤540包括确定目标位置是否包含在其中所包括场所已经确定的地理区域中。基于该确定,该方法进行到步骤540或者返回到步骤520。特别地,如果存在所标识的地理区域的先前有效且确定的地理子区域,则该方法可以确定在该先前确定的地理子区域中的场所集不需要再次确定。可以使用任何合适的方法来确定地理子区域是否有效,诸如像(1)使用时间戳和有效时间阈限来确定在有效时间阈限时段内是否已经确定子区域;(2)使用地理子区域的存在来指示该子区域有效。在这些实施例的一些实施例中,可以去除较旧的子区域。
在方法500中,步骤550包括基于目标位置确定可比较位置。特别地,可以基于下面内容确定所标识的地理区域内的两个或更多个位置:(1)具有已知场所密度的位置;以及(2)当与其它已知可比较位置相比较时被确定为与目标位置具有最高相关性的可比较位置。最高相关性可以使用任何合适的方法来确定。例如,最高相关性可以通过选择在地理位置上与目标位置最接近的两个或更多的可比较位置来确定。
在方法500中,步骤560包括基于目标位置和可比较位置确定搜索区域。特别地,搜索区域的坐标基于目标位置并且搜索区域的面积基于可比较位置的场所密度。
有利地,通过考虑场所密度分布,动态随机区域采样算法可以基于可比较位置自适应地调节所采样区域的尺寸,这在高效查询预算约束下提供了准确的评估结果。
在方法500中,步骤570包括确定搜索区域中的(多个)场所。特别地,执行穷举搜索算法(例如,图2的方法200)以确定搜索区域内的内场所集。
在步骤550的一些实施例中,可以把边界坐标用作初始可比较位置。例如,可以把矩形区域的东北角和西南角用作第一随机选择的位置的初始可比较位置。
在步骤550的一些实施例中,可以利用来自先前DRRS采样执行的数据。例如,如果DRRS服务器(例如图1的DRRS服务器150)每天执行方法500,则在方法500的当前执行中可以利用所保存的参数,诸如:(多个)先前的{位置,场所}密度对集、(多个)先前的采样区域集或者(多个)先前的内场所集。在这些实施例的一些实施例中,可以基于数据收集时间戳确定(多个)先前的数据集是有效的。应当理解,方法500可以拒绝使用无效的(例如,过时的)(多个)数据集。例如,在步骤550,可比较位置的确定可以基于有效和已知的位置。应当理解,通过使用现有数据集可以改善方法500的效率和准确性。
在这些实施例的一些实施例中,该方法还可以包括数据集清除步骤。特别地,可以定期地从***除去不再有效的(多个)数据集。
在步骤550的一些实施例中,场所密度关联基于赋予多个如本文所描述的确定因子的权重。
在步骤550的一些实施例中,最高相关性基于地理地形。地理地形可以是任何合适的特性,诸如:(a)区域的特性(例如,乡村、郊区或城市);(b)区域中交通的指示(例如,如由谷歌地图所报告的);(c)区域的人口密度的指示;(d)区域中设施的密度的指示;(e)地形(例如,山脉、森林或水源)的指示;(f)分区特性(例如,分为住宅或商业);或者(g)等等。例如,与乡村地带或者位于诸如水域或者山区中的目标密度相反,位于城市地带内的目标密度将更可能(例如,较高的权重)与也在城市地带中的可比较位置相关联。在这些实施例的一些实施例中,执行该方法的装置维护了所标识的地理区域的地图。在这些实施例的一些实施例中,执行该方法的装置经由对映射服务(例如,谷歌地图)的查询对所标识的地理区域的地图进行检索。
在步骤550的一些实施例中,最高相关性基于可比较位置的方位。例如,如果第一最相关可比较位置位于目标位置的正西方,则将给予一权重来选择位于目标位置东方的第二可比较位置。应当理解,第二可比较位置不会存在于正东方并且第二可比较位置可以在对所述确定进行加权时使用。
在步骤560的一些实施例中,搜索区域中心围绕在目标位置周围。
在步骤560的一些实施例中,对搜索区域进行修剪以便不包括来自先前确定的搜索区域的地带。应当理解,在这些实施例的一些实施例中,最初确定的搜索区域将以目标区域为中心,但是所得到的修剪搜索区域可能在物理上不再处于中心。在这些实施例中,搜索区域的中心将基于初始确定的搜索区域。
在一些实施例中,步骤520可以在另一步骤之后执行,诸如在步骤570之后执行。在此实施例中,步骤540和570可以返回到步骤530。
在一些实施例中,方法500是动态随机区域采样算法。在这些实施例的一些实施例中,方法500是如图6中所描述的。
参照图6,下面解释DRRS算法。
在行1,对输入参数进行定义。其中B是将由DRRS算法使用的资源的预算(例如,搜索极限);是规定查询中将返回的最大场所数的返回极限;以及G是由下面内容限定的目标搜索区域:llsw和llne右上角和左下角;以及s0是G内部的初始搜索区域的初始边长。应当理解,尽管在此例证中初始搜索区域是正方形的,但是初始搜索区域可以是任何形状的。照此,诸如面积之类的所计算参数可以采用任何合适的方式来计算。还应当理解,初始边长度可以根据边界坐标llsw和llne来确定,因而可以不是至DRRS算法中的输入。
在行2,对输出进行定义。其中,X是返回的内场所集。根据对采样区域的穷举场所搜索来获得。
在行3和行4,对参数进行初始化。其中,G0包含采样区域集,C表示捕获成本,m表示获得的采样区域数,以及M包含{位置,场所}密度对集。如所图示的,将X初始化成空集,以及用针对边界位置llsw和llne的估计场所密度来初始化M。
在行6至行8中,随机地选择位置,并且如果位置ll处于作为G0区域集的一员的任何区域Gj之内,则再次考虑Gj被采样,并且基于区域Gj的现有的内场所搜索来更新集X,而不花费任何采样预算。在一些实施例中,使用被确定为处于区域Gj中的内场所来扩充X中的场所集。
在行10,选择包含在集M中的具有与目标位置最高相关性的至少两个可比较位置(例如,ll1和ll2)。在此例证中,最高相关性基于集M中的位置与目标位置之间的最小距离。
在行11至行13中,基于目标位置ll和可比较位置ll1和ll2创建新的区域Gll。特别地,使用可比较位置ll1和ll2来预测所选位置ll的场所密度(行11)。其中,函数“dis”返回两个位置之间的距离加权,并且d’是以目标位置ll为中心的新区域的预测密度。在行12,使用所预测的密度d’和返回极限来计算限定新区域(例如,如所图示的,正方形区域)的面积的边长。应当理解,在边长计算中使用返回极限可以保持在此新区域中返回接近于API返回极限的期望场所数。在行13,新区域Gll以目标位置的纬度坐标和经度坐标为中心。在行12的一些实施例中,可以从API返回极限减去阈限(threshold)(例如,)。应当理解,该阈限可以减少在API返回极限中场所搜索等同地返回场所数的实例数。
在行14和行15,DRRS算法对Gll进行修剪,使得Gll不与G0中的任何其它存储的区域重叠。
在行16和行17,对区域Gll执行穷举搜索(例如,图2的方法200)以获得场所集(例如Vm)和区域Gll内的内场所(例如,)以及与获得场所集和内场所集相关联的成本(例如,Bm)。
在行18,利用在行17获得的内场所集来更新集X,以及为区域Gll确定实际密度。其中,a(Gll)表示区域Gll的面积。
在行19至行20,更新算法变量。
参照图7,使用纽约市的一部分来图示图6的DRRS算法。地理区域(a)—(d)内的阴影的密度采用场所密度颜色条790来描绘。如所图示的,较暗的阴影面积具有更高的场所密度。在(a)中,位置ll1表示当前随机选择的位置以及ll(ne)710和ll(sw)720表示搜索区域705的边界坐标。所计算的区域710以位置ll1为中心并且基于与可比较位置ll(ne)710和ll(sw)720相关联的场所密度的加权平均来定大小。在(b)中,基于随机选择的位置ll2和最高相关性(例如“最近”)位置ll1和ll(ne)710来生成第二区域740。类似地在(c)中,基于随机选择的位置ll5和最高相关性位置ll3和ll4来生成第五区域750。应当理解,将第五区域750修剪成消除其自身与相邻的先前生成的区域(例如,区域760和770)之间的重叠。在(d)中,在一些迭代之后,形成一系列采样区域。应当理解,由于形成了更多的采样框,所以预测的密度估计可以改善。注意,落入已经采样的框(例如780)中的一些位置将触发要再采样的对应框。
尽管主要以特定序列来描述和描绘,但是应当理解,方法200和500中所示的步骤可以采用任何合适的序列来执行。此外,由一个步骤标识的步骤还可以在该序列中的一个或更多个其它步骤中执行,或者一个以上步骤的公共动作可以仅执行一次。
应当理解,上面描述的各种方法的步骤可以通过编程的计算机来执行。本文中,一些实施例还意图覆盖程序存储设备,例如,数据存储媒体,其是机器或计算机可读的并且对机器可执行或计算机可执行的程序指令进行编码,其中所述指令执行所述上面描述的方法的所有步骤或一些步骤。程序存储设备例如可以是数字存储器、诸如磁盘和磁带之类的磁性存储媒体、硬盘驱动器或者光学可读数据存储媒体。这些实施例还意图覆盖被编程为执行上面描述的方法的所述步骤的计算机。
图8示意性地图示了诸如图1的DRRS服务器150之一之类的各种装置800的实施例。装置800包括处理器810、数据存储装置811和I/O接口830。
处理器810控制装置800的操作。处理器810与数据存储装置811协同工作。
数据存储装置811在适当时可以存储诸如场所集、{位置,场所密度}对集等之类的程序数据。数据存储装置811还存储可由处理器810执行的程序820。
处理器可执行的程序820可以包括I/O接口程序821或DRRS程序823。处理器810与处理器可执行的程序820协同工作。
I/O接口830与处理器810和/或I/O接口程序821协同工作以支持在如上所述图1的DRRS服务器通信信道155上的通信。
DRRS程序823执行如上所述图2的方法200的步骤或图5的方法500的步骤。
在一些实施例中,处理器810可以包括诸如处理器/CPU核之类的资源,I/O接口830可以包括任何合适的网络接口,或者数据存储装置811可以包括存储器或存储设备。此外,装置800可以是任何合适的物理硬件配置,诸如:一个或更多个服务器、构成诸如处理器、存储器、网络接口或存储设备之类的组件的叶片。在这些实施例的一些实施例中,装置800可以包括彼此远离的云网络资源。
在一些实施例中,装置800可以是虚拟机。在这些实施例的一些实施例中,虚拟机可以包括来自不同的机器的组件或者在地理位置上是分散的组件。例如,数据存储装置800和处理器810可以处于两个不同的物理机器中。
当在处理器810上实现处理器可执行程序820时,程序代码段与处理器结合以提供模拟具体逻辑电路地进行操作的唯一设备。
尽管本文关于实施例进行了描绘和描述,例如在实施例中,程序和逻辑存储在数据存储装置内,以及存储器通信地连接到处理器,但是应当理解,这样的信息可以采用任何其它合适的方式来存储(例如,使用任何合适数目的存储器、存储装置或数据库);使用与任何合适布置的设备通信地连接的任何合适布置的存储器、存储装置或数据库;将信息存储在(多个)存储器、(多个)存储装置或者内部或外部(多个)数据库的任何合适的组合中;或者使用任何合适数目的可存取外部存储器、存储装置或数据库。照此,本文所称的术语数据存储装置意味着涵盖(多个)存储器、(多个)存储装置和(多个)数据库的所有合适组合。
本描述和附图仅仅图示了本发明的原理。因而将意识到,本领域技术人员将能够设计尽管未在本文明确描述或示出但是体现了本发明的原理且包括在本发明的精神和范围内的各种布置。此外,本文中引用的所有示例原则上明确旨在仅出于教学目的以辅助读者理解本发明的原理和(多个)发明人对促进本领域所贡献的构思,并且被解释为对这样具体记载的示例和条件没有任何限制。此外,本文记载本发明的原理、方面和实施例以及其具体示例的所有陈述意图涵盖其等同体。
可以通过使用专用硬件以及能够与适当的软件相关联地执行软件的硬件,提供附图中所示的各种元素(包括被标记为“处理器”的任何功能块)的功能。当由处理器来提供时,这些功能可以由单个专用处理器、由单个共享处理器或者由多个单独处理器来提供,多个单独处理器中的一些处理器可以被共享。此外,术语“处理器”或“控制器”的明确使用不应当被解释为专门指代能够执行软件的硬件,而是可以隐含包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储装置。还可以包括常规的或定制的其它硬件。类似地,附图中所示的任何交换仅是概念性的。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或者甚至如从本内容更具体理解的那样由实施者手动选择的特定技术来实现。
应当理解,本文中的任何框图表示体现本发明的原理的说明性电路的概念图。类似地,应当理解,任何流程图、流程图表、状态转变图、伪代码等表示基本上可以在计算机可读媒体中表示并且由计算机或处理器如此执行的各种过程,无论是否明确示出了这样的计算机或处理器。
Claims (10)
1.一种用于提供搜索区域内的场所数据集的装置,所述装置包括:
数据存储装置;以及
通信地连接到所述数据存储装置的处理器,所述处理器被配置为:
在所述搜索区域中随机地选择目标位置;
选择第一可比较位置,所述第一可比较位置具有第一场所密度;
选择第二可比较位置,所述第二可比较位置具有第二场所密度;
基于所述目标位置、所述第一可比较位置和所述第二可比较位置以及所述第一场所密度和所述第二场所密度,在所述搜索区域内确定子区域;以及
在所述子区域内确定内场所集;
其中,所述第一可比较位置和所述第二可比较位置被确定为具有比所述搜索区域内的其它已知位置更高的相关性。
2.如权利要求1所述的装置,其中,所述处理器还被配置为:
基于对所述子区域与所述搜索区域内的多个其它已知子区域中的至少一个重叠的确定来修剪所述子区域。
3.如权利要求1所述的装置,其中,所述处理器还被配置为:
在所述搜索区域中随机地选择第二目标位置;以及
基于对所述第二目标位置位于所述子区域中的确定来选择所述内场所集。
4.如权利要求1所述的装置,其中,所述子区域的面积基于所述第一可比较位置和所述第二可比较位置以及所述第一场所密度和所述第二场所密度的加权平均。
5.如权利要求1所述的装置,其中,与所述搜索区域内的其它已知位置和所述目标位置之间的相应距离相比,所述更高的相关性基于所述第一可比较位置与所述目标位置之间的距离。
6.一种用于提供搜索区域内的场所数据集的方法,所述方法包括:
在通信地连接到数据存储装置的处理器处,在所述搜索区域中随机地选择目标位置;
由与所述数据存储装置协同工作的所述处理器选择第一可比较位置,所述第一可比较位置具有第一场所密度;
由与所述数据存储装置协同工作的所述处理器选择第二可比较位置,所述第二可比较位置具有第二场所密度;
由与所述数据存储装置协同工作的所述处理器,基于所述目标位置、所述第一可比较位置和所述第二可比较位置以及所述第一场所密度和所述第二场所密度,在所述搜索区域内确定子区域;以及
由与所述数据存储装置协同工作的所述处理器在所述子区域内确定内场所集;
其中,所述第一可比较位置和所述第二可比较位置被确定为具有比所述搜索区域内的其它已知位置更高的相关性。
7.如权利要求6所述的方法,其中,所述方法还包括:
由与所述数据存储装置协同工作的所述处理器,基于对所述子区域与所述搜索区域内的多个其它已知子区域中的至少一个重叠的确定来修剪所述子区域。
8.如权利要求6所述的方法,其中,所述方法还包括:
由与所述数据存储装置协同工作的所述处理器在所述搜索区域中随机地选择第二目标位置;以及
由与所述数据存储装置协同工作的所述处理器,基于对所述第二目标位置位于所述子区域中的确定来选择所述内场所集。
9.如权利要求6所述的方法,其中,所述子区域的面积基于所述第一可比较位置和所述第二可比较位置以及所述第一场所密度和所述第二场所密度的加权平均。
10.如权利要求6所述的方法,其中,与所述搜索区域内的其它已知位置和所述目标位置之间的相应距离相比,所述更高的相关性基于所述第一可比较位置与所述目标位置之间的距离。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/626,984 | 2012-09-26 | ||
US13/626,984 US9317527B2 (en) | 2012-09-26 | 2012-09-26 | Method and apparatus for region sampling and estimation in location based networks |
PCT/US2013/059575 WO2014052036A1 (en) | 2012-09-26 | 2013-09-13 | Method and apparatus for region sampling and estimation in location based networks |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104662540A true CN104662540A (zh) | 2015-05-27 |
Family
ID=49237693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380050239.3A Pending CN104662540A (zh) | 2012-09-26 | 2013-09-13 | 用于在基于位置的网络中区域采样和评估的方法和装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US9317527B2 (zh) |
EP (1) | EP2901315A1 (zh) |
JP (1) | JP2016500862A (zh) |
KR (1) | KR20150060925A (zh) |
CN (1) | CN104662540A (zh) |
WO (1) | WO2014052036A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150286689A1 (en) * | 2012-12-05 | 2015-10-08 | Google Inc. | Systems and Methods for Displaying Geographic Location Information Corresponding to Search Result |
US20160070712A1 (en) * | 2014-09-07 | 2016-03-10 | Fanvana Inc. | Dynamically Modifying Geographical Search Regions |
GB201515951D0 (en) | 2015-09-09 | 2015-10-21 | Ibm | Efficent spatital queries in large data tables |
US10636203B2 (en) | 2015-10-30 | 2020-04-28 | Micro Focus Llc | Determining distances between real-world entities modeled as geometric shapes |
JP7017695B2 (ja) * | 2018-04-27 | 2022-02-09 | 富士通株式会社 | 領域生成プログラム、領域生成装置および領域生成方法 |
CN117271968B (zh) * | 2023-11-22 | 2024-02-23 | 中国农业科学院农业环境与可持续发展研究所 | 一种土壤固碳量的核算方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101512556A (zh) * | 2006-08-31 | 2009-08-19 | 国际壳牌研究有限公司 | 解释分配给n维解释空间中多个位置的多个m维属性向量 |
US20110202510A1 (en) * | 2010-02-17 | 2011-08-18 | Lockheed Martin Corporation | Supporting multiple different applications having different data needs using a voxel database |
CN102254088A (zh) * | 2011-05-25 | 2011-11-23 | 中国人民解放军军事医学科学院微生物流行病研究所 | 一种基于谷歌地图的生物危害评估可视化方法 |
CN102298640A (zh) * | 2011-09-14 | 2011-12-28 | 清华大学 | 一种地图显示数据预处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5798923A (en) * | 1995-10-18 | 1998-08-25 | Intergraph Corporation | Optimal projection design and analysis |
US9134398B2 (en) * | 1996-09-09 | 2015-09-15 | Tracbeam Llc | Wireless location using network centric location estimators |
US20090319306A1 (en) * | 2008-06-18 | 2009-12-24 | Chanick Richard A | System and method for venue attendance management |
US8914041B2 (en) | 2010-09-20 | 2014-12-16 | Alcatel Lucent | Methods of locating data spots and networks and user equipment for using the same |
-
2012
- 2012-09-26 US US13/626,984 patent/US9317527B2/en active Active
-
2013
- 2013-09-13 CN CN201380050239.3A patent/CN104662540A/zh active Pending
- 2013-09-13 KR KR1020157010796A patent/KR20150060925A/ko not_active IP Right Cessation
- 2013-09-13 WO PCT/US2013/059575 patent/WO2014052036A1/en active Application Filing
- 2013-09-13 EP EP13766842.2A patent/EP2901315A1/en not_active Withdrawn
- 2013-09-13 JP JP2015534536A patent/JP2016500862A/ja not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101512556A (zh) * | 2006-08-31 | 2009-08-19 | 国际壳牌研究有限公司 | 解释分配给n维解释空间中多个位置的多个m维属性向量 |
US20110202510A1 (en) * | 2010-02-17 | 2011-08-18 | Lockheed Martin Corporation | Supporting multiple different applications having different data needs using a voxel database |
CN102254088A (zh) * | 2011-05-25 | 2011-11-23 | 中国人民解放军军事医学科学院微生物流行病研究所 | 一种基于谷歌地图的生物危害评估可视化方法 |
CN102298640A (zh) * | 2011-09-14 | 2011-12-28 | 清华大学 | 一种地图显示数据预处理方法 |
Non-Patent Citations (1)
Title |
---|
DANTONG YU等: ""ClusterTree:Integration of cluster representation and nearest-Neighbor Search for Large Data Sets with High dimensions", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 * |
Also Published As
Publication number | Publication date |
---|---|
US9317527B2 (en) | 2016-04-19 |
EP2901315A1 (en) | 2015-08-05 |
JP2016500862A (ja) | 2016-01-14 |
KR20150060925A (ko) | 2015-06-03 |
US20140089333A1 (en) | 2014-03-27 |
WO2014052036A1 (en) | 2014-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104662540A (zh) | 用于在基于位置的网络中区域采样和评估的方法和装置 | |
US9904932B2 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN105718465B (zh) | 地理围栏生成方法及装置 | |
CN105657724B (zh) | 用于提供小小区部署规划的技术 | |
CN103493044B (zh) | 使用在区域中的3d模型活动对场所排名的扩展 | |
KR20160123339A (ko) | 타겟 구역에서의 무선 유저 기기 디바이스의 위치 측정 | |
CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
CN114548811B (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
CN109982257A (zh) | 确定移动用户归属区域的方法、装置、*** | |
CN117496073B (zh) | 一种多时相实景三维模型的构建方法及*** | |
CN110020222B (zh) | 标志点确定方法、装置及存储介质 | |
Jiang et al. | Zone-based federated learning for mobile sensing data | |
CN112700073B (zh) | 公交线路规划方法和装置 | |
CN117453843A (zh) | 数据处理方法和装置、存储介质以及电子设备 | |
CN112263836B (zh) | 虚拟场景的处理方法和装置以及存储介质 | |
Gomes et al. | Efficiently computing the drainage network on massive terrains using external memory flooding process | |
Tsiotas et al. | A modularity total environment network model for sustainable forest transportation | |
CN111767357A (zh) | 区域采全评估方法和设备、电子设备和存储介质 | |
WO2012128011A1 (ja) | 移動体管理システム、移動体管理サーバ、移動体管理方法および移動体管理プログラム | |
EP4133769B1 (en) | Estimating communication traffic demand | |
CN113521741B (zh) | 自动生成地图区域链接的方法、装置、设备及存储介质 | |
CN117521908B (zh) | 一种城市空间区域适配性评估方法、***及终端 | |
Doorley et al. | Revurb: Understanding urban activity and human dynamics through point process modelling of telecoms data | |
CN114022089B (zh) | 一种配送禁入区域识别方法以及装置 | |
EP4250662A1 (en) | Utilizing invariant user behavior data for training a machine learning model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150527 |