CN108875032A - 区域类型确定方法及装置 - Google Patents
区域类型确定方法及装置 Download PDFInfo
- Publication number
- CN108875032A CN108875032A CN201810661463.0A CN201810661463A CN108875032A CN 108875032 A CN108875032 A CN 108875032A CN 201810661463 A CN201810661463 A CN 201810661463A CN 108875032 A CN108875032 A CN 108875032A
- Authority
- CN
- China
- Prior art keywords
- city
- zoning
- user
- city zoning
- matrix
- 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
Landscapes
- Navigation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供一种区域类型确定方法及装置，属于计算机应用技术领域。该方法包括：获取每一城市分区对应的出发矩阵及到达矩阵；将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型。本发明实施例通过获取每一城市分区对应的出发矩阵及到达矩阵，将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型。由于可基于用户在不同城市分区之间的移动数据来自动确定城市分区对应的区域类型，从而确定结果更加准确。另外，由于在确定城市分区对应的区域类型时，引入了时间维度，也即对于同一城市分区，可确定不同时间段内该城市分区对应的区域类型，从而能更加切合实际应用场景。
Description
技术领域
本发明实施例涉及计算机应用技术领域，更具体地，涉及一种区域类型确定方法及装置。
背景技术
近年来，城市的规模越来越大，在一些应用场景下需要确定城区内不同分区的类型。例如，按照功能对城区进行划分，区域类型可包括居住区、商业区及工业区等。相关技术在确定城市分区的区域类型时，通常是先确定每一城市分区内的兴趣点，如商店、学校及公司等，再依据每一城市分区内的兴趣点，再通过人工方式确定每一城市分区的区域类型。由于是通过人工方式确定，确定结果不够准确。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种区域类型确定方法及装置。
根据本发明实施例的第一方面，提供了一种区域类型确定方法，该方法包括：
通过获取每一城市分区对应的出发矩阵及到达矩阵，将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型。由于可基于用户在不同城市分区之间的移动数据来自动确定城市分区对应的区域类型，从而确定结果更加准确。另外，由于在确定城市分区对应的区域类型时，引入了时间维度，也即对于同一城市分区，可确定不同时间段内该城市分区对应的区域类型，从而能更加切合实际应用场景。
本发明实施例提供的方法，通过获取每一城市分区对应的出发矩阵及到达矩阵，将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型。由于可基于用户在不同城市分区之间的移动数据来自动确定城市分区对应的区域类型，从而确定结果更加准确。另外，由于在确定城市分区对应的区域类型时，引入了时间维度，也即对于同一城市分区，可确定不同时间段内该城市分区对应的区域类型，从而能更加切合实际应用场景。
根据本发明实施例的第二方面，提供了一种区域类型确定装置，该装置包括：
获取模块，用于获取每一城市分区对应的出发矩阵及到达矩阵；其中，城市分区是对城区进行划分后得到的；对于城区内的任一城市分区，任一城市分区对应的出发矩阵包括所有用户在预设时间段内从任一城市分区分别移动至每一其它城市分区的移动频次，任一城市分区对应的到达矩阵包括所有用户在预设时间段内分别从每一其它城市分区移动至任一城市分区的移动频次，其它城市分区为城区内除任一城市分区之外的城市分区；
第一确定模块，用于将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型；其中，指定参数至少包括预设类型总数、每一城市分区对应的出发矩阵及到达矩阵。
根据本发明实施例的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的区域类型确定方法。
根据本发明的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的区域类型确定方法。
应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。
附图说明
图1为本发明实施例的一种区域类型确定方法的流程示意图；
图2为本发明实施例的一种区域类型确定方法的流程示意图；
图3为本发明实施例的一种城市分区覆盖泰森多边形的示意图；
图4为本发明实施例的一种区域类型确定方法的流程示意图；
图5为本发明实施例的一种构建出行序列的示意图；
图6为本发明实施例的一种区域类型确定方法的流程示意图；
图7为本发明实施例的一种区域类型确定装置的框图；
图8为本发明实施例的一种电子设备的框图。
具体实施方式
下面结合附图和实施例，对本发明实施例的具体实施方式作进一步详细描述。以下实施例用于说明本发明实施例，但不用来限制本发明实施例的范围。
近年来随着城市规模越来越大，城市问题越来越明显，如交通拥堵及空气污染等问题。由此需要从大数据挖掘与分析的角度，来构建解决上述问题的方案。对于城区内的不同城市分区，确定城市分区的区域类型对于构建解决上述问题的方案具有重要意义。在确定城市分区的区域类型时，通常是按照功能区的角度来确定每一城市分区的区域类型，如划分为居住区、商业区及工业区等。相关技术在确定城市分区的区域类型时，通常是先确定每一城市分区内的兴趣点，如商店、学校及公司等，再依据每一城市分区内的兴趣点，再通过人工方式确定每一城市分区的区域类型。由于是通过人工方式确定，确定结果不够准确。另外，由于在通过人工方式确定城市分区的区域类型后，每一城市分区的区域类型基本不会改变，而对于城市分区而言，其承载的功能可能会随着时间变化而变化，如随着城市建设的推进或随着人流的移动而变化，从而通过人工方式确定的区域类型不能在时间维度上体现出区域类型的变化。
针对上述情形，本发明实施例提供了一种区域类型确定方法。该方法适用于任一城市功能区的划分场景，以确定不同城市分区在功能区角度上的区域类型。该方法的执行主体可以为预先设置的处理设备，如服务器或者终端，本发明实施例对此不作具体限定。具体地，该方法包括：
101、获取每一城市分区对应的出发矩阵及到达矩阵。
在执行101之前，可对城区进行划分以得到多个城市分区。具体地，可按照路网数据将城区划分为多个城市分区，本发明实施例对此不作具体限定。在101中，对于城区内的任一城市分区，该城市分区对应的出发矩阵可具有行列两个维度。其中，出发矩阵的行可指代用户从该城市分区出发后所移动至的其它城市分区，出发矩阵的列可指代不同的预设时间段。出发矩阵可包括所有用户在预设时间段内从该城市分区分别移动至每一其它城市分区的移动频次，出发矩阵内的每一元素表示在某一预设时间段内从该城市分区移动至某一其它城市分区的移动频次，本发明实施例对此不作具体限定。其中，其它城市分区指的是城区内除该城市分区之外的城市分区。
例如，以城区内的城市分区分别为A、B、C及D，预设时间段分别为工作日的上午8点至9点、9点至10点、以及10点至11点为例。对于城市分区A，A对应的出发矩阵的行数为3行，也即分别对应城市分区B、C及D。A对应的出发矩阵的列数为3列，也即对应上述三个不同的时间段。对于该出发矩阵中第1行第1列的元素，该元素表示的含义为所有用户在上午8点至9点这个时间段从A出发，移动至B的移动频次。
需要说明的是，实际实施过程中为了便于后续统计，预设时间段还可以以小时为单位规整为整数时间点。例如，对于任一用户，若该用户在上午8点40(也即在上午8点至9点内)从A出发移动至B，则可以小时为单位将该用户从A出发的时间规整为上午8点，或者规整为上午9点，本发明实施例对此不作具体限定。此时，A对应的出发矩阵其列指代的是不同的整数时间点。另外，本发明实施例与后续实施例所提到的预设时间段除了为工作日的时间段外，还可以周末的时间段，除了上午的时间段外，还可以为下午或者晚上的时间段，本发明实施例对此不作具体限定。
同理，对于城区内的任一城市分区，该城市分区对应的到达矩阵同样可具有行列两个维度。其中，到达矩阵的行可指代用户从哪个其它城市分区移动至该城市分区，到达矩阵的列可指代不同的预设时间段。到达矩阵可包括所有用户在预设时间段内从每一其它城市分区移动至该城市分区的移动频次，到达矩阵内的每一元素表示在某一预设时间段内从某一其它城市分区移动至该城市分区的移动频次，本发明实施例对此不作具体限定。
例如，以城区内的城市分区分别为A、B、C及D，预设时间段分别为工作日的上午8点至9点、9点至10点、以及10点至11点为例。对于城市分区A，A对应的到达矩阵的行数为3行，也即分别对应城市分区B、C及D。A对应的到达矩阵的列数为3列，也即对应上述三个不同的时间段。对于该到达矩阵中第1行第1列的元素，该元素表示的含义为所有用户从B出发，并于上午8点至9点这个时间段内移动至A的移动频次。
同理，实际实施过程中为了便于后续统计，预设时间段也可以按照小时为单位规整为整数时间点。例如，对于任一用户，若该用户从B出发，并于上午8点40(也即在上午8点至9点内)移动至A，则可以小时为单位将该用户到达A的时间规整为上午8点，或者规整为上午9点，本发明实施例对此不作具体限定。此时，A对应的到达矩阵其列指代的是不同的整数时间点。
另外，在101中，在获取每一城市分区对应的出发矩阵及到达矩阵时，可基于用户在预设时间段内上传的位置数据来获取，本发明实施例对此不作具体限定。例如，用户在使用移动终端时通常会开启定位功能，从而依据移动终端上传的位置数据即可获取每一城市分区对应的出发矩阵及到达矩阵。
102、将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型；其中，指定参数至少包括预设类型总数、每一城市分区对应的出发矩阵及到达矩阵。
对于任一城市分区，若将该城市分区视为文档，将从该城市分区对应的出发矩阵及到达矩阵内的每一元素视为该文档中的单词，则确定城市分区的区域类型的问题可以转化为确定文档主题的问题。
例如，以城区内的城市分区分别为A、B、C及D，预设时间段分别为工作日的上午8点至9点、9点至10点、以及10点至11点为例。若将城市分区A视为文档，则A对应的出发矩阵及到达矩阵中的每一元素可视为该文档中的单词。对于该到达矩阵中第1行第1列的元素，该元素表示的含义为所有用户从B出发，并于上午8点至9点这个时间段内移动至A的移动频次。也即，对于第1行第1列的元素，该元素表示了在一个时间段内的一种移动关系，该移动关系可以视为文档中的单词，而该单词对应出现在文档中的频次也即为移动频次。
由上述原理可知，确定城市分区的区域类型的问题可以转化为确定文档主题的问题。也即，对于一系列文档中的任一文档，可以先确定该文档为每种主题时的概率分布，从而可确定该文档为每种主题时的概率值，并将概率值最大的主题作为该文档对应的主题。相应地，在本发明实施例中，对于任一城市分区，通过预设模型可输出该城市分区作为每种预设类型时的概率分布，从而可确定概率值最大的预设类型并作为该城市分区对应的预设类型。
基于上述说明，在102中，预设模型的类型可以为文档主题生成模型，如LDA(Latent Dirichlet Allocation，隐含狄利克雷分布)模型等，本发明实施例对此不作具体限定。预设模型在使用时输入的指定参数可至少包括预设类型总数、每一城市分区对应的出发矩阵及到达矩阵。其中，预设类型总数也即预先确定的区域类型总数。例如，若按照功能区的角度来确定每一城市分区的区域类型，则预先确定的区域类型可以为居住区、商业区、工业区及学区。此时，预先确定的区域类型总数为4种。将指定参数输入至预设模型，可输出每一城市分区作为每种区域类型时的概率分布。例如，对于任一城市分区，若通过预设模型输出该城市分区作为居住区的概率值为0.25，作为商业区的概率值为0.35，作为工业区的概率值为0.3，作为学区的概率值为0.1。因此，可将概率值最大的区域类型，也即商业区作为该城市分区的区域类型。在确定每一城市分区的区域类型后，可将具有相同区域类型的城市分区进行聚类。
需要说明的是，本发明实施例涉及到的预设时间段的数量可以为一个，也可以为多个，本发明实施例对此不作具体限定。若本发明实施例涉及到的预设时间段的数量为多个，则后续可将多个时间段的出发矩阵及到达矩阵输入至预设模型，也即将多个时间段的出发矩阵及到达矩阵进行拟合，以得到该多个时间段对应的整体时间段内各个城市分区的区域类型。
本发明实施例提供的方法，通过获取每一城市分区对应的出发矩阵及到达矩阵，将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型。由于可基于用户在不同城市分区之间的移动数据来自动确定城市分区对应的区域类型，从而确定结果更加准确。另外，由于在确定城市分区对应的区域类型时，引入了时间维度，也即对于同一城市分区，可确定不同时间段内该城市分区对应的区域类型，从而能更加切合实际应用场景。
基于上述实施例的内容，作为一种可选实施例，本发明实施例不对获取每一城市分区对应的出发矩阵的方式作具体限定，包括但不限于：对于任一城市分区，获取每一用户对应的用户出发矩阵；其中，对于所有用户中的任一用户，任一用户对应的用户出发矩阵包括任一用户在预设时间段内从任一城市分区分别移动至每一其它城市分区的移动频次；将每一用户对应的用户出发矩阵进行叠加，得到任一城市分区对应的出发矩阵。
由上述实施例中城市分区对应的出发矩阵的定义可知，对于任一城市分区，该城市分区对应的出发矩阵包括所有用户在预设时间段内从该城市分区分别移动至每一其它城市分区的移动频次。实际实施过程中，可先获取每一用户对应的用户出发矩阵，将每一用户对应的用户出发矩阵进行叠加，即可得到该城市分区对应的出发矩阵。需要说明的是，将每一用户对应的用户出发矩阵进行叠加，主要对每一用户出发矩阵内相同位置上的元素进行叠加，从而可得到该城市分区对应的出发矩阵内相同位置上的元素。
其中，对于任一用户，该用户对应的用户出发矩阵同样可具有行列两个维度。其中，用户出发矩阵的行可指代该用户从该城市分区出发后所移动至的其它城市分区，用户出发矩阵的列可指代不同的预设时间段。用户出发矩阵可包括该用户在预设时间段内从该城市分区分别移动至每一其它城市分区的移动频次，用户出发矩阵内的每一元素表示该用户在某一预设时间段内从该城市分区移动至某一其它城市分区的移动频次，本发明实施例对此不作具体限定。通过上述过程，最终可获取每一城市分区对应的出发矩阵。
基于上述实施例的内容，作为一种可选实施例，本发明实施例不对获取每一城市分区对应的到达矩阵的方式作具体限定，包括但不限于：对于任一城市分区，获取每一用户对应的用户到达矩阵；其中，对于所有用户中的任一用户，任一用户对应的用户到达矩阵包括任一用户在预设时间段内分别从每一其它城市分区移动至任一城市分区的移动频次；将每一用户对应的用户到达矩阵进行叠加，得到任一城市分区对应的到达矩阵。
由上述实施例中城市分区对应的到达矩阵的定义可知，对于任一城市分区，该城市分区对应的到达矩阵包括所有用户在预设时间段内从每一其它城市分区分别移动至该城市分区移动至的移动频次。实际实施过程中，可先获取每一用户对应的用户到达矩阵，将每一用户对应的用户到达矩阵进行叠加，即可得到该城市分区对应的到达矩阵。需要说明的是，将每一用户对应的用户到达矩阵进行叠加，主要对每一用户到达矩阵内相同位置上的元素进行叠加，从而可得到该城市分区对应的到达矩阵内相同位置上的元素。
其中，对于任一用户，该用户对应的用户到达矩阵同样可具有行列两个维度。其中，用户到达矩阵的行可指代该用户从哪个其它城市分区移动至该城市分区，用户到达矩阵的列可指代不同的预设时间段。用户到达矩阵可包括该用户在预设时间段内从每一其它城市分区分别移动至该城市分区的移动频次，用户到达矩阵内的每一元素表示该用户在某一预设时间段内从某一其它城市分区移动至该城市分区的移动频次，本发明实施例对此不作具体限定。通过上述过程，最终可获取每一城市分区对应的到达矩阵。
由上述实施例的内容可知，用户出发矩阵及用户达到矩阵中的元素表示了在一个时间段内的一种移动关系。例如，以城区内的城市分区分别为A、B、C及D，预设时间段分别为工作日的上午8点至9点、9点至10点、以及10点至11点为例。若用户对应的用户出发矩阵其作为出发地的城市分区为A，则对于该用户出发矩阵中第1行第1列的元素，该元素表示的含义为该用户从A出发，并于上午8点至9点这个时间段内移动至B的移动频次，也即第1行第1列的元素表示了一种从A移动至B的移动关系。
基于上述说明及上述实施例的内容，实际实施过程中，可基于上述移动关系来获取每一用户对应的用户出发矩阵。相应地，作为一种可选实施例，本发明实施例不对获取每一用户对应的用户出发矩阵的方式作具体限定，包括但不限于：对于任一用户，从该用户在预设时间段内的所有出行序列中确定满足第一预设条件的出行序列；其中，第一预设条件为以任一城市分区为出发地且以其它城市分区为目的地，每一出行序列均对应有移动频次；根据满足第一预设条件的出行序列，确定任一用户对应的用户出发矩阵。
其中，该用户在预设时间段内的所有出行序列可基于用户在预设时间段内上传的位置数据来获取，本发明实施例对此不作具体限定。例如，用户在上午8点40上传了位置数据，又在上午9点上传了位置数据。若基于两个时间点上传的位置数据确定用户在此期间进行了移动，则可将两次上传的位置数据构建相应的出行序列。其中，出行序列可采用如下形式表示：
((k，start_time)，(k',end_time)，wi)
其中，k表示作为出发地的城市分区，k'表示作为目的地的城市分区。start_time表示从出发地出发的时间，end_time表示到达目的地的时间，wi表示出行序列对应的移动频次。
以城区内的城市分区分别为A、B、C及D，预设时间段分别为工作日的上午8点至9点、9点至10点、以及10点至11点为例。对于任一用户，该用户在上午8点至9点内的所有出行序列指的是在上午8点至9点内从任一城市分区出发的出行序列(也即start_time在上午8点至9点内)，以及在上午8点至9点内到达任一城市分区的出行序列(也即end_time在上午8点至9点内)。若作为出发地的城市分区为A，则满足第一预设条件的出发序列为上述出行序列表达式中k取值为A的出行序列，也即在上午8点至9点内从A出发的出行序列。
由上述内容可知，出行序列可确定一个时间段内城市分区之间的一段移动关系，且出行序列还对应有移动频次。因此，基于出行序列即可确定用户对应的用户出发矩阵。例如，以城区内的城市分区分别为A、B、C及D，预设时间段分别为工作日的上午8点至9点、9点至10点、以及10点至11点为例。若以城市分区A为出发地，则满足第一预设条件的出行序列可分为如下几种类型：
(1)在上午8点至9点内从A出发，移动至B的出行序列；
(2)在上午9点至10点内从A出发，移动至B的出行序列；
(3)在上午10点至11点内从A出发，移动至B的出行序列；
(4)在上午8点至9点内从A出发，移动至C的出行序列；
(5)在上午9点至10点内从A出发，移动至C的出行序列；
(6)在上午10点至11点内从A出发，移动至C的出行序列；
(7)在上午8点至9点内从A出发，移动至D的出行序列；
(8)在上午9点至10点内从A出发，移动至D的出行序列；
(9)在上午10点至11点内从A出发，移动至D的出行序列。
其中，上述每种出行序列均对应有移动频次。需要说明的是，实际实施过程中，上述每种出行序列的数量可能会不止一个。例如，用户在上午8点至9点内从A出发移动至B，接着在上午8点至9点内从B出发移动至A，最后又在上午8点至9点内从A出发移动至B。此时，会出现两个在上午8点至9点内从A出发，移动至B的出行序列。针对该情形，可将该两个出行序列对应的移动频次进行相加，并合并为一个出行序列。
由上述实施例的内容可知，若出发地为城市分区A，则用户出发矩阵的行可指代该用户从A出发后所移动至的其它城市分区，用户出发矩阵的列可指代不同的预设时间段。结合用户出发矩阵的定义以及上述关于出行序列的说明，根据满足第一预设条件的出行序列，即可确定用户对应的用户出发矩阵。需要说明的是，若出发地为其它城市分区，同样可以按照上述过程确定每一用户对应的满足第一预设条件的出行序列，进而确定每一用户的用户出发矩阵，此处不再赘述。通过上述过程，最终可以得到在不同城市分区为出发地的情况下，每一用户对应的用户出发矩阵。
基于上述说明及上述实施例的内容，实际实施过程中，可基于上述移动关系来获取每一用户对应的用户到达矩阵。相应地，作为一种可选实施例，本发明实施例不对获取每一用户对应的用户到达矩阵的方式作具体限定，包括但不限于：对于任一用户，从任一用户在预设时间段内的所有出行序列中确定满足第二预设条件的出行序列；其中，第二预设条件为以其它城市分区为出发地且以任一城市分区为目的地，每一出行序列均对应有移动频次；根据满足第二预设条件的出行序列，确定任一用户对应的用户到达矩阵。
其中，关于该用户在预设时间段内所有出行序列的解释，以及出行序列的具体形式可参考上述实施例中的说明，
以城区内的城市分区分别为A、B、C及D，预设时间段分别为工作日的上午8点至9点、9点至10点、以及10点至11点为例。对于任一用户，该用户在上午8点至9点内的所有出行序列指的是在上午8点至9点内从任一城市分区出发的出行序列(也即start_time在上午8点至9点内)，以及在上午8点至9点内到达任一城市分区的出行序列(也即end_time在上午8点至9点内)。若作为目的地的城市分区为A，则满足第二预设条件的出行序列为上述出行序列表达式中k'取值为A的出行序列，也即在上午8点至9点内到达A的出行序列。
由上述内容可知，出行序列可确定一个时间段内城市分区之间的一段移动关系，且出行序列还对应有移动频次。因此，基于出行序列即可确定用户对应的用户到达矩阵。例如，以城区内的城市分区分别为A、B、C及D，预设时间段分别为工作日的上午8点至9点、9点至10点、以及10点至11点为例。若以城市分区A为目的地，则满足第二预设条件的出行序列可分为如下几种类型：
(1)从B出发，在上午8点至9点内移动至A的出行序列；
(2)从B出发，在上午9点至10点内移动至A的出行序列；
(3)从B出发，在上午10点至11点内移动至A的出行序列；
(4)从C出发，在上午8点至9点内移动至A的出行序列；
(5)从C出发，在上午9点至10点内移动至A的出行序列；
(6)从C出发，在上午10点至11点内移动至A的出行序列；
(7)从D出发，在上午8点至9点内移动至A的出行序列；
(8)从D出发，在上午9点至10点内移动至A的出行序列；
(9)从D出发，在上午10点至11点内移动至A的出行序列。
其中，上述每种出行序列均对应有移动频次。需要说明的是，实际实施过程中，上述每种出行序列的数量可能会不止一个。例如，用户从B出发在上午8点至9点内移动至A，接着从A出发并在上午8点至9点内移动至B，最后又从B出发并在上午8点至9点内移动至A。此时，会出现两个从B出发，在上午8点至9点内移动至A的出行序列。针对该情形，可将该两个出行序列对应的移动频次进行相加，并合并为一个出行序列。
由上述实施例的内容可知，若目的地为城市分区A，则用户到达矩阵的行可指代该用户从哪个其它城市分区出发移动至A，用户出发矩阵的列可指代不同的预设时间段。结合用户到达矩阵的定义以及上述关于出行序列的说明，根据满足第二预设条件的出行序列，即可确定用户对应的用户到达矩阵。需要说明的是，若目的地为其它城市分区，同样可以按照上述过程确定每一用户对应的满足第二预设条件的出行序列，进而确定每一用户的用户出发矩阵，此处不再赘述。通过上述过程，最终可以得到在不同城市分区为目的地的情况下，每一用户对应的用户到达矩阵。
在实际应用场景中，用户使用的移动终端通常会产生信令数据。其中，信令数据主要包括与移动终端进行通信的基站标识以及信令数据的生成时刻。由此可知，由于基站的位置是确定的，用户可能会从一个基站覆盖的区域迁移到另一个基站覆盖的区域，而基站覆盖的区域与城市分区会有重叠，从而信令数据所形成的序列是可以反映用户的移动轨迹的。基于上述说明及上述实施例的内容，作为一种可选实施例，对于任一用户，在从该用户在预设时间段内的所有出行序列中确定满足第一预设条件的出行序列之前，或者在从该用户在预设时间段内的所有出行序列中确定满足第二预设条件的出行序列之前，还可确定该用户在预设时间段内的所有出行序列。
相应地，本发明实施例提供了一种确定用户在预设时间段内的所有出行序列的方法，包括但不限于：对于任一用户，基于城区内每一基站对应的城市分区以及该用户在预设时间段内的基站移动序列，确定任一用户在预设时间段内的所有出行序列。
由于上述内容可知，基站覆盖的区域与城市分区可能会有部分重叠，从而对于任一基站，可将与该基站覆盖区域重叠的城市分区作为该基站对应的城市分区。另外，基站移动序列可以由移动终端产生的信令数据所确定，如将信令数据按序排列生成基站移动序列。基站移动序列可至少包括该用户的用户标识、作为出发地的基站标识、作为出发地的基站所对应的信令数据生成时刻、作为目的地的基站标识以及作为目的地的基站所对应的信令数据生成时刻。其中，用户标识对应使用移动终端的用户。例如，基站移动序列可按照如下方式表示：
(user_id,(cell_id0,time0),(cell_id1,time1))
其中，user_id为用户标识，cell_id0为作为出发地的基站标识，cell_id1为作为目的地的基站标识，time0为作为出发地的基站所对应的信令数据生成时刻，time1为作为目的地的基站所对应的信令数据生成时刻。其中，(cell_id0,time0)为作为出发地的基站所对应的信令数据，(cell_id1,time1)为作为目的地的基站所对应的信令数据。
由于基站移动序列可以反映用户在基站之间移动轨迹，而基站与城市分区之间存在对应关系，从而可将依据基站与城市分区之间的对应关系，将基站移动序列映射成出行序列。
本发明实施例提供的方法，对于任一用户，通过基于城区内每一基站对应的城市分区以及任一用户在预设时间段内的基站移动序列，确定任一用户在预设时间段内的所有出行序列。由于信令数据可反映用户的移动轨迹，从而结合由信令数据确定的基站移动序列，来确定用户的出行序列，可充分挖掘利用信令数据，进而可提高后续确定城市分区类型时的准确性。
基于上述实施例的内容，作为一种可选实施例，在基于城区内每一基站对应的城市分区以及任一用户在预设时间段内的基站移动序列，确定任一用户在预设时间段内的所有出行序列之前，还可确定每一基站对应的城市分区。参见图2，本发明实施例不对确定每一基站对应的城市分区的方式作具体限定，包括但不限于：
201、确定城区内每一基站对应的泰森多边形，每一泰森多边形内均包含一个基站。
在201中，若将城区视为一个空间平面，则城区内每一基站都可视为该空间平面上的点。基于泰森多边形作图法，可将该空间平面划分成多个泰森多边形。其中，每一泰森多边形均包含一个基站。泰森多边形是对空间平面的一种剖分，其特点是多边形内的任何位置离该多边形的样点(也即基站点)的距离最近，离相邻多边形内样点的距离远，且每个多边形内含且仅包含一个样点。
202、确定覆盖每一泰森多边形的城市分区，并将覆盖每一泰森多边形的城市分区作为每一基站对应的城市分区。
由于城市分区也是将城区视为空间平面，按照路网数据对城区进行划分后得到的，从而泰森多边形与城市分区会存在重叠的部分。如图3所示，图3中位于中间的六边形即为空间平面内的一个泰森多边形1，而图3中虚线部分的长方形即为城市分区。由图3可知，图3中3个虚线长方形正好能够把泰森多边形覆盖住，从而该3个城市分区即为覆盖泰森多边形1的城市分区。相应地，对于该泰森多变形1对应的基站，上述3个城市分区即为该基站对应的城市分区。
本发明实施例提供的方法，通过确定城区内每一基站对应的泰森多边形。确定覆盖每一泰森多边形的城市分区，并将覆盖每一泰森多边形的城市分区作为每一基站对应的城市分区。由于覆盖泰森多边形的城市分区均为离泰森多边形内基站最近的城市分区，将覆盖泰森多边形的城市分区作为用户出发地及目的地对应的城市分区，可提高预测出行序列时的精准性，进而可提高后续确定城市分区类型时的准确性。
由上述实施例的内容可知，信令数据反映的是不同时间点上用户处于哪个基站的覆盖范围，基站移动序列可以由信令数据所生成。将信令数据按照生成时刻进行排序，对于排序后任意相邻的两个信令数据，并不一定能够确保在该相邻的两个信令数据对应的时间段内，用户正好处于移动状态。本发明实施例需要依据由信令数据所生成的基站移动序列来确定用户的出行序列，而每一出行序列均表示城市分区之间的一段移动关系，也即用户是一定处于移动状态的，从而对于基于信令数据所生成的基站移动序列，需要确保该基站移动序列对应的时间段内用户处于移动状态。针对上述需求，对于任一用户，本发明实施例还提供了一种确定该用户在预设时间段内的基站移动序列的方式。参见图4，包括但不限于：
401、将该用户的每一信令数据按照每一信令数据的生成时刻进行先后排序，得到该用户在预设时间段内的基站出行序列。
具体地，得到基站出行序列可以按照如下方式表示：
(user_id,(cell_id0,time0),(cell_id1,time1)...)
其中，user_id为该用户的用户标识，(cell_id0,time0)及(cell_id1,time1)均为信令数据。cell_id0及cell_id1均为基站标识。time0为信令数据(cell_id0,time0)的生成时刻，time1为信令数据(cell_id1,time1)的生成时刻。后面的省略号表示基站出行序列中的其它信令数据。需要说明的是，401中预设时间段内的基站出行序列，指的是基站出行序列中每一信令数据的生成时刻均在预设时间段内。
402、从基站出行序列中选取满足第三预设条件的子序列，并将子序列作为任一用户在预设时间段内的基站移动序列；其中，每一信令数据中至少包括每一信令数据的生成时刻以及所属基站标识，第三预设条件为任意两个相邻的信令数据对应的生成时刻之差小于第一预设阈值且用户移动速度在预设范围内。
为了便于理解，以任意两个相邻的信令数据为(cell_id0,time0)及(cell_id1,time1)为例，对402的过程进行解释说明。其中，(cell_id0,time0)与(cell_id1,time1)对应的生成时刻之差为(time1-time0)。由于基于基站标识可以确定是哪个基站，而基站位置是预先确定的，从而从基站cell_id0至cell_id1，用户移动速度可根据两个基站之间的距离差值以及上述生成时刻之差计算得到。
在计算得到用户移动速度后，可判定用户移动速度与上述生成时刻之差是否满足第三预设条件。其中，第三预设条件中第一预设阈值可以为1小时，预设范围可以为每小时2公里至每小时150公里之间，本发明实施例对此不作具体限定。若满足第三预设条件，则可确实用户是由基站cell_id0移动至基站cell_id1的，也即可认为基站cell_id0与基站cell_id1之间是连续的。
在执行完上述过程后，可按照相同的方法接着判断基站cell_id1与基站cell_id2之间是否是连续。若两者同样满足第三预设条件，则可确定基站cell_id0、基站cell_id1及基站cell_id2三者之间是连续的。若判断基站cell_id2与基站cell_id3之间不是连续的，则可从基站出行序列中选出第一个满足第三预设条件的子序列，该子序列可通过如下方式表示：
(user_id,(cell_id0,time0),(cell_id1,time1),(cell_id2,time2))
其中，user_id为该用户的用户标识。对于该子序列，可以理解为用户由基站cell_id0的位置开始移动，并移动至基站cell_id2的位置停止。因此，cell_id0为作为出发地的基站标识，cell_id2为作为目的地的基站标识。
在从基站出行序列中选出第一个满足第三预设条件的子序列后，由于已判断基站cell_id2与基站cell_id3之间不是连续的，则可以将基站cell_id3视为作为出发地的基站标识，并继续判断基站出行序列中基站cell_id3与基站cell_id4是否是连续的，并按照上述过程逐一遍历基站出行序列中的每一信令数据，直至所有信令数据遍历完毕。通过执行上述过程，最终可从基站出行序列中选出若干个满足第三预设条件的子序列，从而可将该若干个满足第三预设条件的子序列作为该用户在预设时间段内的基站移动序列。
本发明实施例提供的方法，对于任一用户，通过将该用户的每一信令数据按照每一信令数据的生成时刻进行先后排序，得到该用户在预设时间段内的基站出行序列。从基站出行序列中选取满足第三预设条件的子序列，并将子序列作为任一用户在预设时间段内的基站移动序列。由于可从基站出行序列中选取用户处于移动状态的子序列，并作为基站移动序列，从而可确保基站移动序列对应的时间段内用户是处于移动状态的，进而后续在基于基站移动序列确定出行序列时，可提高出行序列的精准性。
基于上述实施例的内容，作为一种可选实施例，对于任一用户，本发明实施例不对基于城区内每一基站对应的城市分区以及任一用户在预设时间段内的基站移动序列，确定该用户在预设时间段内的所有出行序列的方式作具体限定，包括但不限于：将第一类城市分区与第二类城市分区进行任意组合，得到任一用户在预设时间段内的所有出行序列；其中，第一类城市分区为基站移动序列中作为出发地的基站所对应的城市分区，第二类城市分区为任一基站移动序列中作为目的地的基站所对应的城市分区。
由上述实施例的内容可知，基站移动序列中包含作为出发地的基站标识以及作为目的地的基站标识。而每一基站均对应有泰森多边形，对于任一基站对应的泰森多边形，该基站对应的城市分区指的是覆盖该泰森多变形的城市分区。如图3所示，泰森多边形1对应的城市分区有3个。由于泰森多边形对应的城市分区可能会有多个，从而在基于基站移动序列确定出行序列时，即使作为出发地的基站及作为目的地的基站均是唯一确定的，但仍不能唯一确定作为出发地的城市分区及作为目的地的城市分区。
为了便于理解上述任意组合得到出行序列的过程，以基站移动序列中作为出发地的基站对应的泰森多边形为TPi，基站移动序列中作为目的地的基站对应的泰森多边形为TPj，泰森多边形Tpi对应的城市分区为R1及R2，泰森多边形Tpj对应的城市分区为R3及R4为例，上述任意组合的过程可参考图5。如图5所示，出行序列可以分别为(R1，R3)、(R1，R4)、(R2，R3)及(R2，R4)。其中，R1及R2为作为出发地的城市分区，R3及R4为作为目的地的城市分区。
由上述实施例的内容可知，每一出行序列均对应有移动频次。在基于城区内每一基站对应的城市分区以及任一用户在预设时间段内的基站移动序列，确定任一用户在预设时间段内的所有出行序列之后，还可计算每一出行序列对应的移动频次。相应地，基于上述实施例的内容，作为一种可选实施例，本发明实施例还提供了一种计算出行序列对应的移动频次的方法，包括但不限于：对于任一出行序列，计算第一部分泰森多边形与第一城市分区之间的第一面积比值，计算第二部分泰森多边形与第二城市分区之间的第二面积比值，将第一面积比值与第二面积比值之间的乘积作为所该出行序列对应的移动频次；其中，第一城市分区为该出行序列中作为出发地的城市分区，第二城市分区为该出行序列中作为目的地的城市分区；第一部分泰森多边形为第一城市分区所包含的部分泰森多边形，第二部分泰森多边形为第二城市分区所包含的部分泰森多边形。
为了便于理解，现结合图5，以出行序列为(R1，R3)为例，对上述计算移动频次的过程进行说明。在第一城市分区(也即城市分区R1)中，第一部分泰森多边形(也即泰森多边形Tpi的部分区域)位于R1内，从而计算泰森多边形Tpi的部分区域与城市分区R1之间的第一面积比值。同理，还可计算计算泰森多边形Tpj的部分区域与城市分区R3之间的第二面积比值，并将第一面积比值与第二面积比值之间的乘积作为出行序列为(R1，R3)对应的移动频次。
需要说明的是，通过上述过程计算得到移动频次其值是小于1的。本发明实施例中计算得到的出行序列对应的移动频次，并非是通过实际统计用户出行频次得到的，也即并非真的是表示出行序列对应的移动关系实际真实发生的次数，而是更侧重于表示每一出行序列在确定的多个出行序列中，其对应的移动关系真实发生的可能性。
另外，还需要说明的是，由上述实施例的内容可知，在确定每一城市分区对应的预设类型时，需要将确定城市分区的区域类型的问题转化为确定文档主题的问题。其中，城市分区可视为文档，每一出行序列对应的移动关系可视为文档中的单词，而出行序列对应的移动频次可视为单词在文档中出现的频次。基于上述说明，由于在常规理解下单词出现的频次均为整数，为了便于对数据进行处理，本发明实施例在通过上述方式计算得到小于1的移动频次后，还可以按照统一的方式将每一出行序列对应的移动频次均转化为整数，本发明实施例对此不作具体限定。例如，转化方式可以为直接将移动频次乘以100并取整。
基于上述实施例的内容，作为一种可选实施例，指定参数还包括每一城市分区对应的特征向量；其中，每一城市分区对应的特征向量是由每一城市分区内的兴趣点所确定的。兴趣点的格式可以为(兴趣点名称，兴趣点位置，兴趣点类别)，兴趣点类别可以按照功能划分，如分为景点、商店、学校、公司及住宅区等，本发明实施例对此不作具体限定。
需要说明的是，由上述实施例的内容可知，城市分区可视为文档。而在本发明实施例中，城市分区对应的特征向量可以视为文档元信息，如文档的作者或文档出版年份等非单词特征。在上述实施例中，若预设模型为LDA模型，则在文档主题确定过程中没有引入文档元信息，造成最终确定结果不够精准。而在本发明实施例中，指定参数还包括每一城市分区对应的特征向量。相应地，上述实施例中涉及到的预设模型还可以为DMR(Dirichlet-multinomial Regression，狄利克雷多项式回归)模型。通过在指定参数中引入每一城市分区对应的特征向量，以结合城市分区内的兴趣点来确定每一城市分区的预设类型，从而使得确定结果更加精准。
基于上述实施例的内容，作为一种可选实施例，若指定参数中还包括每一城市分区对应的特征向量，则在将指定参数输入至预设模型之前，还可确定每一城市分区对应的特征向量。相应地，本发明实施例不对确定每一城市分区对应的特征向量的方式作具体限定，包括但不限于：基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，确定每一城市分区对应的特征向量。
其中，对于任一城市分区，该城市分区对应的特征向量可直接由该城市分区内每种类型兴趣点的数量以及该城市分区的面积所构成，具体可按照如下方式进行表示：
fi＝(pfi1,pfi2,...,pfiC,Area(i))
其中，fi为该第i个城市分区对应的特征向量。pfi1为该第i个城市分区内第一类兴趣点的数量，pfi2为该第i个城市分区内第二类兴趣点的数量，……，pfic为该第i个城市分区内第C类兴趣点的数量，Area(i)为该第i个城市分区对应的面积与所有城市分区中最小面积之间的比值。
基于上述实施例的内容，作为一种可选实施例，本发明实施例不对基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，确定每一城市分区对应的特征向量的方式作具体限定。参见图6，包括但不限于：
601、基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，确定每一城市分区对应的初始特征向量。
具体地，基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，可先确定每一城市分区对应的待选特征向量。待选特征向量可按照如下方式进行表示：
fi＝(pfi1,pfi2,...,pfiC,Area(i))
其中，fi为该第i个城市分区对应的待选特征向量。pfi1为该第i个城市分区内第一类兴趣点的数量，pfi2为该第i个城市分区内第二类兴趣点的数量，……，pfic为该第i个城市分区内第C类兴趣点的数量，Area(i)为该第i个城市分区对应的面积与所有城市分区中最小面积之间的比值。
在得到每一城市分区对应的待选特征向量后，可将每一城市分区对应的待选特征向量转换为每一城市分区对应的TF-IDF(TermFrequency-Inverse Document Frequency，词频-逆文本频率指数)向量，也即初始特征向量。其中，每一城市分区对应的TF-IDF向量可按照如下方式进行表示：
TFIDFi＝(tfidfi1,tfidfi2,...,tfidfic,Area(i))
其中，TFIDFi为该第i个城市分区对应的TFIDF向量。tfidfi1为该第i个城市分区内第一类兴趣点的重要程度，tfidfi2为该第i个城市分区内第二类兴趣点的重要程度，……，tfidfic为该第i个城市分区内第C类兴趣点的重要程度，Area(i)为该第i个城市分区对应的面积与所有城市分区中最小面积之间的比值。
对于该第i个城市分区内第j类兴趣点的重要程度tfidfij，具体可参考如下方式进行表示：
其中，tfidfij为第i个城市分区内第j类兴趣点的重要程度，pfij为该第i个城市分区内第j类兴趣点的数量，M为城市分区的总数量，Count(j)为所有城市分区内包含第j类兴趣点的城市分区数量。
602、将每一城市分区对应的初始特征向量进行拼接，得到所有城市分区对应的第一矩阵，对第一矩阵进行奇异值分解，得到第二矩阵；其中，第二矩阵由每一城市分区对应的特征向量所组成。
在得到每一城市分区对应的初始特征向量后，可将将每一城市分区对应的初始特征向量进行拼接，也即将每一城市分区对应的TF-IDF向量进行拼接，从而可得到M*(C+1)维的第一矩阵。通过利用SVD(Singular Value Decomposition，奇异值分解)矩阵对第一矩阵进行分解，可得到M*F的第二矩阵X＝(x1,...xM)T。其中，xi表示第i个城市分区对应的特征向量。
由上述实施例的内容可知，预设模型输出的是每一城市分区为每种预设类型时的概率分布。基于上述实施例的内容，作为一种可选实施例，指定参数还可包括特征向量对应的权重。相应地，本发明实施例不对将指定参数输入至预设模型，以得到输出结果的过程作具体限定，包括但不限于：将指定参数输入至预设模型，输出每一城市分区与每种预设类型之间的概率分布，基于梯度下降法调整每一城市分区对应的特征向量所对应的权重，并重新将每一城市分区对应调整后的权重与指定参数输入至预设模型，并重新输出每一城市分区与每种预设类型之间的概率分布，重复上述权重调整过程以及预设模型输入输出过程，直至输出的每一城市分区与每种预设类型之间的概率分布趋于稳定。通过上述过程，可使得预设模型的输出结果更加准确。
本发明实施例提供的方法，通过基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，确定每一城市分区对应的初始特征向量。将每一城市分区对应的初始特征向量进行拼接，得到所有城市分区对应的第一矩阵，对第一矩阵进行奇异值分解，得到第二矩阵。由于可在指定参数中引入每一城市分区对应的特征向量，以结合城市分区内的兴趣点来确定每一城市分区的预设类型，从而使得确定结果更加精准。
考虑到城市分区若划分过小，则城市分区的数量会相对较多，导致统计结果过于分散而不够显著。针对该情形，基于上述实施例的内容，作为一种可选实施例，在获取每一城市分区对应的出发矩阵及到达矩阵之前，还可将城市分区进行合并。相应地，本发明实施例不对对将城市分区进行合并的方式作具体限定，包括但不限于：若城市分区集合中存在面积小于第二预设阈值的城市分区，则对城市分区集合中的城市分区进行合并，直至城市分区集合中每一城市分区的面积均大于第二预设阈值；其中，城市分区集合中包括基于路网数据将城区划分后得到的多个城市分区。
其中，可采用两两合并的方式对基于路网数据划分后得到的多个城市分区进行合并，如从所有城市分区中每次选择面积最小的城市分区及面积次小的城市分区进行合并，直至城市分区集合中每一城市分区的面积均大于第二预设阈值。
本发明实施例提供的方法，通过在城市分区集合中存在面积小于第二预设阈值的城市分区，则对城市分区集合中的城市分区进行合并，直至城市分区集合中每一城市分区的面积均大于第二预设阈值。由于可对所有城市分区中面积较小的城市分区进行合并，从而使得后续统计结果更加显著且更具有针对性。
考虑到所有城市分区中具有公共边的城市分区之间联系会更加紧密，且公共边越长则联系越密切。基于该原理及上述实施例的内容，作为一种可选实施例，关于对城市分区集合中的城市分区进行合并，直至城市分区集合中每一城市分区的面积均大于第二预设阈值的方式，本发明实施例对此不作具体限定，包括但不限于：从城市分区集合中选取满足第三预设条件的第三城市分区，从城市分区集合中选取满足第四预设条件的第四城市分区，将第三城市分区与第四城市分区进行合并，重新得到城市分区集合，重复执行上述选取及合并过程，直至城市分区集合中每一城市分区的面积均大于第二预设阈值；其中，第三预设条件为面积最小且面积小于第二预设阈值，第四预设条件为与第三城市分区邻接且与第三城市分区之间的公共边长最长。
具体地，可先选择第二预设阈值Ath，并将城市分区集合中所有城市分区按照面积从大到小进行排序，具体可记为：
从中选取面积最小的城市分区bi，若该城市分区bi的面积大于第二预设阈值第二预设阈值Ath，则结束选取及合并过程。若该城市分区bi的面积小于第二预设阈值第二预设阈值Ath，则从中确定与该城市分区bi邻接的城市分区bij，并计算城市分区bi与城市分区bij之间周长与公共边长的比值，具体可参考如下算式：
其中，lcij为城市分区bi与城市分区bij之间的公共边长，lpi为城市分区bi的周长，lpij为城市分区bij的周长，priij为市分区bi与城市分区bij之间周长与公共边长的比值。需要说明的是，priij的值越大，则说明城市分区bi与城市分区bij之间的公共边越长。
相应地，可选取最大priij对应的城市分区bij，并将城市分区bi与城市分区bij进行合并。重复执行上述选取及合并过程，直至城市分区集合中每一城市分区的面积均大于第二预设阈值Ath。
本发明实施例提供的方法，通过从城市分区集合中选取满足第三预设条件的第三城市分区，从城市分区集合中选取满足第四预设条件的第四城市分区，将第三城市分区与第四城市分区进行合并，重新得到城市分区集合，重复执行上述选取及合并过程，直至城市分区集合中每一城市分区的面积均大于第二预设阈值。由于可对所有城市分区中面积较小的城市分区进行合并，从而使得后续统计结果更加显著且更具有针对性。
需要说明的是，上述所有可选实施例，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
基于上述实施例的内容，本发明实施例提供了一种区域类型确定装置，该区域类型确定装置用于执行上述方法实施例中提供的区域类型确定方法。参见图7，该装置包括：
获取模块701，用于获取每一城市分区对应的出发矩阵及到达矩阵；其中，城市分区是对城区进行划分后得到的；对于城区内的任一城市分区，任一城市分区对应的出发矩阵包括所有用户在预设时间段内从任一城市分区分别移动至每一其它城市分区的移动频次，任一城市分区对应的到达矩阵包括所有用户在预设时间段内分别从每一其它城市分区移动至任一城市分区的移动频次，其它城市分区为城区内除任一城市分区之外的城市分区；
第一确定模块702，用于将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型；其中，指定参数至少包括预设类型总数、每一城市分区对应的出发矩阵及到达矩阵。
作为一种可选实施例，获取模块701，包括：
第一获取单元，用于对于任一城市分区，获取每一用户对应的用户出发矩阵；其中，对于所有用户中的任一用户，任一用户对应的用户出发矩阵包括任一用户在预设时间段内从任一城市分区分别移动至每一其它城市分区的移动频次；
第一叠加单元，用于将每一用户对应的用户出发矩阵进行叠加，得到任一城市分区对应的出发矩阵。
作为一种可选实施例，获取模块701，包括：
第二获取单元，用于对于任一城市分区，获取每一用户对应的用户到达矩阵；其中，对于所有用户中的任一用户，任一用户对应的用户到达矩阵包括任一用户在预设时间段内分别从每一其它城市分区移动至任一城市分区的移动频次；
第二叠加单元，用于将每一用户对应的用户到达矩阵进行叠加，得到任一城市分区对应的到达矩阵。
作为一种可选实施例，第一获取单元，用于对于任一用户，从任一用户在预设时间段内的所有出行序列中确定满足第一预设条件的出行序列；其中，第一预设条件为以任一城市分区为出发地且以其它城市分区为目的地，每一出行序列均对应有移动频次；根据满足第一预设条件的出行序列，确定任一用户对应的用户出发矩阵。
作为一种可选实施例，第二获取单元，用于对于任一用户，从任一用户在预设时间段内的所有出行序列中确定满足第二预设条件的出行序列；其中，第二预设条件为以其它城市分区为出发地且以任一城市分区为目的地，每一出行序列均对应有移动频次；根据满足第二预设条件的出行序列，确定任一用户对应的用户到达矩阵。
作为一种可选实施例，该装置还包括：
第二确定模块，用于对于任一用户，基于城区内每一基站对应的城市分区以及任一用户在预设时间段内的基站移动序列，确定任一用户在预设时间段内的所有出行序列。
作为一种可选实施例，该装置还包括：
第三确定模块，用于确定城区内每一基站对应的泰森多边形，每一泰森多边形内均包含一个基站；
第四确定模块，用于确定覆盖每一泰森多边形的城市分区，并将覆盖每一泰森多边形的城市分区作为每一基站对应的城市分区。
作为一种可选实施例，该装置还包括：
排序模块，用于对于任一用户，将任一用户的每一信令数据按照每一信令数据的生成时刻进行先后排序，得到任一用户在预设时间段内的基站出行序列；
选取模块，用于从基站出行序列中选取满足第三预设条件的子序列，并将子序列作为任一用户在预设时间段内的基站移动序列；其中，每一信令数据中至少包括每一信令数据的生成时刻以及所属基站标识，第三预设条件为任意两个相邻的信令数据对应的生成时刻之差小于第一预设阈值且用户移动速度在预设范围内。
作为一种可选实施例，第二确定模块，用于将第一类城市分区与第二类城市分区进行任意组合，得到任一用户在预设时间段内的所有出行序列；其中，第一类城市分区为基站移动序列中作为出发地的基站所对应的城市分区，第二类城市分区为任一基站移动序列中作为目的地的基站所对应的城市分区。
作为一种可选实施例，该装置还包括：
计算模块，用于对于任一出行序列，计算第一部分泰森多边形与第一城市分区之间的第一面积比值，计算第二部分泰森多边形与第二城市分区之间的第二面积比值，将第一面积比值与第二面积比值之间的乘积作为任一出行序列对应的移动频次；
其中，第一城市分区为任一出行序列中作为出发地的城市分区，第二城市分区为任一出行序列中作为目的地的城市分区；第一部分泰森多边形为第一城市分区所包含的部分泰森多边形，第二部分泰森多边形为第二城市分区所包含的部分泰森多边形。
作为一种可选实施例，指定参数还包括每一城市分区对应的特征向量；其中，每一城市分区对应的特征向量是由每一城市分区内的兴趣点所确定的。
作为一种可选实施例，该装置还包括：
第五确定模块，用于基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，确定每一城市分区对应的特征向量。
作为一种可选实施例，第五确定模块，用于基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，确定每一城市分区对应的初始特征向量；将每一城市分区对应的初始特征向量进行拼接，得到所有城市分区对应的第一矩阵，对第一矩阵进行奇异值分解，得到第二矩阵；其中，第二矩阵由每一城市分区对应的特征向量所组成。
作为一种可选实施例，该装置还包括：
合并模块，用于当城市分区集合中存在面积小于第二预设阈值的城市分区时，则对城市分区集合中的城市分区进行合并，直至城市分区集合中每一城市分区的面积均大于第二预设阈值；其中，城市分区集合中包括基于路网数据将城区划分后得到的多个城市分区。
作为一种可选实施例，合并模块，用于从城市分区集合中选取满足第三预设条件的第三城市分区，从城市分区集合中选取满足第四预设条件的第四城市分区，将第三城市分区与第四城市分区进行合并，重新得到城市分区集合，重复执行上述选取及合并过程，直至城市分区集合中每一城市分区的面积均大于第二预设阈值；其中，第三预设条件为面积最小且面积小于第二预设阈值，第四预设条件为与第三城市分区邻接且与第三城市分区之间的公共边长最长。
本发明实施例提供的装置，通过获取每一城市分区对应的出发矩阵及到达矩阵，将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型。由于可基于用户在不同城市分区之间的移动数据来自动确定城市分区对应的区域类型，从而确定结果更加准确。另外，由于在确定城市分区对应的区域类型时，引入了时间维度，也即对于同一城市分区，可确定不同时间段内该城市分区对应的区域类型，从而能更加切合实际应用场景。
其次，对于任一用户，通过基于城区内每一基站对应的城市分区以及任一用户在预设时间段内的基站移动序列，确定任一用户在预设时间段内的所有出行序列。由于信令数据可反映用户的移动轨迹，从而结合由信令数据确定的基站移动序列，来确定用户的出行序列，可充分挖掘利用信令数据，进而可提高后续确定城市分区类型时的准确性。
再次，通过确定城区内每一基站对应的泰森多边形。确定覆盖每一泰森多边形的城市分区，并将覆盖每一泰森多边形的城市分区作为每一基站对应的城市分区。由于覆盖泰森多边形的城市分区均为离泰森多边形内基站最近的城市分区，将覆盖泰森多边形的城市分区作为用户出发地及目的地对应的城市分区，可提高预测出行序列时的精准性，进而可提高后续确定城市分区类型时的准确性。
从次，对于任一用户，通过将该用户的每一信令数据按照每一信令数据的生成时刻进行先后排序，得到该用户在预设时间段内的基站出行序列。从基站出行序列中选取满足第三预设条件的子序列，并将子序列作为任一用户在预设时间段内的基站移动序列。由于可从基站出行序列中选取用户处于移动状态的子序列，并作为基站移动序列，从而可确保基站移动序列对应的时间段内用户是处于移动状态的，进而后续在基于基站移动序列确定出行序列时，可提高出行序列的精准性。
另外，通过基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，确定每一城市分区对应的初始特征向量。将每一城市分区对应的初始特征向量进行拼接，得到所有城市分区对应的第一矩阵，对第一矩阵进行奇异值分解，得到第二矩阵。由于可在指定参数中引入每一城市分区对应的特征向量，以结合城市分区内的兴趣点来确定每一城市分区的预设类型，从而使得确定结果更加精准。
最后，通过在城市分区集合中存在面积小于第二预设阈值的城市分区，则对城市分区集合中的城市分区进行合并，直至城市分区集合中每一城市分区的面积均大于第二预设阈值。由于可对所有城市分区中面积较小的城市分区进行合并，从而使得后续统计结果更加显著且更具有针对性。
本发明实施例提供了一种电子设备。参见图8，该设备包括：处理器(processor)801、存储器(memory)802和总线803；
其中，处理器801及存储器802分别通过总线803完成相互间的通信；处理器801用于调用存储器802中的程序指令，以执行上述实施例所提供的区域类型确定方法，例如包括：获取每一城市分区对应的出发矩阵及到达矩阵；其中，城市分区是对城区进行划分后得到的；对于城区内的任一城市分区，任一城市分区对应的出发矩阵包括所有用户在预设时间段内从任一城市分区分别移动至每一其它城市分区的移动频次，任一城市分区对应的到达矩阵包括所有用户在预设时间段内分别从每一其它城市分区移动至任一城市分区的移动频次，其它城市分区为城区内除任一城市分区之外的城市分区；将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型；其中，指定参数至少包括预设类型总数、每一城市分区对应的出发矩阵及到达矩阵。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的区域类型确定方法，例如包括：获取每一城市分区对应的出发矩阵及到达矩阵；其中，城市分区是对城区进行划分后得到的；对于城区内的任一城市分区，任一城市分区对应的出发矩阵包括所有用户在预设时间段内从任一城市分区分别移动至每一其它城市分区的移动频次，任一城市分区对应的到达矩阵包括所有用户在预设时间段内分别从每一其它城市分区移动至任一城市分区的移动频次，其它城市分区为城区内除任一城市分区之外的城市分区；将指定参数输入至预设模型，基于预设模型的输出结果确定每一城市分区对应的预设类型；其中，指定参数至少包括预设类型总数、每一城市分区对应的出发矩阵及到达矩阵。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明实施例的保护范围。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (17)
1.一种区域类型确定方法，其特征在于，包括：
获取每一城市分区对应的出发矩阵及到达矩阵；其中，所述城市分区是对城区进行划分后得到的；对于所述城区内的任一城市分区，所述任一城市分区对应的出发矩阵包括所有用户在预设时间段内从所述任一城市分区分别移动至每一其它城市分区的移动频次，所述任一城市分区对应的到达矩阵包括所有用户在所述预设时间段内分别从每一其它城市分区移动至所述任一城市分区的移动频次，所述其它城市分区为所述城区内除所述任一城市分区之外的城市分区；
将指定参数输入至预设模型，基于所述预设模型的输出结果确定每一城市分区对应的预设类型；其中，所述指定参数至少包括预设类型总数、每一城市分区对应的出发矩阵及到达矩阵。
2.根据权利要求1所述的方法，其特征在于，所述获取每一城市分区对应的出发矩阵，包括：
对于所述任一城市分区，获取每一用户对应的用户出发矩阵；其中，对于所述所有用户中的任一用户，所述任一用户对应的用户出发矩阵包括所述任一用户在所述预设时间段内从所述任一城市分区分别移动至每一其它城市分区的移动频次；
将每一用户对应的用户出发矩阵进行叠加，得到所述任一城市分区对应的出发矩阵。
3.根据权利要求1所述的方法，其特征在于，所述获取每一城市分区对应的到达矩阵，包括：
对于所述任一城市分区，获取每一用户对应的用户到达矩阵；其中，对于所述所有用户中的任一用户，所述任一用户对应的用户到达矩阵包括所述任一用户在所述预设时间段内分别从每一其它城市分区移动至所述任一城市分区的移动频次；
将每一用户对应的用户到达矩阵进行叠加，得到所述任一城市分区对应的到达矩阵。
4.根据权利要求2所述的方法，其特征在于，所述获取每一用户对应的用户出发矩阵，包括：
对于所述任一用户，从所述任一用户在所述预设时间段内的所有出行序列中确定满足第一预设条件的出行序列；其中，所述第一预设条件为以所述任一城市分区为出发地且以所述其它城市分区为目的地，每一出行序列均对应有移动频次；
根据满足所述第一预设条件的出行序列，确定所述任一用户对应的用户出发矩阵。
5.根据权利要求3所述的方法，其特征在于，所述获取每一用户对应的用户到达矩阵，包括：
对于所述任一用户，从所述任一用户在所述预设时间段内的所有出行序列中确定满足第二预设条件的出行序列；其中，所述第二预设条件为以所述其它城市分区为出发地且以所述任一城市分区为目的地，每一出行序列均对应有移动频次；
根据满足所述第二预设条件的出行序列，确定所述任一用户对应的用户到达矩阵。
6.根据权利要求4或5所述的方法，其特征在于，所述获取每一城市分区对应的出发矩阵及到达矩阵之前，还包括：
对于所述任一用户，基于所述城区内每一基站对应的城市分区以及所述任一用户在所述预设时间段内的基站移动序列，确定所述任一用户在所述预设时间段内的所有出行序列。
7.根据权利要求6所述的方法，其特征在于，所述基于所述城区内每一基站对应的城市分区以及所述任一用户在所述预设时间段内的基站移动序列，确定所述任一用户在所述预设时间段内的所有出行序列之前，还包括：
确定所述城区内每一基站对应的泰森多边形，每一泰森多边形内均包含一个基站；
确定覆盖每一泰森多边形的城市分区，并将覆盖每一泰森多边形的城市分区作为每一基站对应的城市分区。
8.根据权利要求6所述的方法，其特征在于，所述基于所述城区内每一基站对应的城市分区以及所述任一用户在所述预设时间段内的基站移动序列，确定所述任一用户在所述预设时间段内的所有出行序列之前，还包括：
对于所述任一用户，将所述任一用户的每一信令数据按照每一信令数据的生成时刻进行先后排序，得到所述任一用户在所述预设时间段内的基站出行序列；
从所述基站出行序列中选取满足第三预设条件的子序列，并将所述子序列作为所述任一用户在所述预设时间段内的基站移动序列；
其中，每一信令数据中至少包括每一信令数据的生成时刻以及所属基站标识，第三预设条件为任意两个相邻的信令数据对应的生成时刻之差小于第一预设阈值且用户移动速度在预设范围内。
9.根据权利要求6所述的方法，其特征在于，所述基于所述城区内每一基站对应的城市分区以及所述任一用户在所述预设时间段内的基站移动序列，确定所述任一用户在所述预设时间段内的所有出行序列，包括：
将第一类城市分区与第二类城市分区进行任意组合，得到所述任一用户在所述预设时间段内的所有出行序列；其中，所述第一类城市分区为所述基站移动序列中作为出发地的基站所对应的城市分区，所述第二类城市分区为所述任一基站移动序列中作为目的地的基站所对应的城市分区。
10.根据权利要求7所述的方法，其特征在于，所述基于所述城区内每一基站对应的城市分区以及所述任一用户在所述预设时间段内的基站移动序列，确定所述任一用户在所述预设时间段内的所有出行序列之后，还包括：
对于任一出行序列，计算第一部分泰森多边形与第一城市分区之间的第一面积比值，计算第二部分泰森多边形与第二城市分区之间的第二面积比值，将所述第一面积比值与所述第二面积比值之间的乘积作为所述任一出行序列对应的移动频次；
其中，所述第一城市分区为所述任一出行序列中作为出发地的城市分区，所述第二城市分区为所述任一出行序列中作为目的地的城市分区；所述第一部分泰森多边形为所述第一城市分区所包含的部分泰森多边形，所述第二部分泰森多边形为所述第二城市分区所包含的部分泰森多边形。
11.根据权利要求1所述的方法，其特征在于，所述指定参数还包括每一城市分区对应的特征向量；其中，每一城市分区对应的特征向量是由每一城市分区内的兴趣点所确定的。
12.根据权利要求11所述的方法，其特征在于，所述将指定参数输入至预设模型之前，还包括：
基于每一城市分区内每种类型兴趣点的数量以及每一城市分区的面积，确定每一城市分区对应的特征向量。
13.根据权利要求1所述的方法，其特征在于，所述获取每一城市分区对应的出发矩阵及到达矩阵之前，还包括：
若城市分区集合中存在面积小于第二预设阈值的城市分区，则对所述城市分区集合中的城市分区进行合并，直至所述城市分区集合中每一城市分区的面积均大于所述第二预设阈值；
其中，所述城市分区集合中包括基于路网数据将所述城区划分后得到的多个城市分区。
14.根据权利要求13所述的方法，其特征在于，所述对所述城市分区集合中的城市分区进行合并，直至所述城市分区集合中每一城市分区的面积均大于所述第二预设阈值，包括：
从所述城市分区集合中选取满足第三预设条件的第三城市分区，从所述城市分区集合中选取满足第四预设条件的第四城市分区，将所述第三城市分区与所述第四城市分区进行合并，重新得到所述城市分区集合，重复执行上述选取及合并过程，直至所述城市分区集合中每一城市分区的面积均大于所述第二预设阈值；
其中，第三预设条件为面积最小且面积小于所述第二预设阈值，第四预设条件为与所述第三城市分区邻接且与所述第三城市分区之间的公共边长最长。
15.一种区域类型确定装置，其特征在于，包括：
获取模块，用于获取每一城市分区对应的出发矩阵及到达矩阵；其中，所述城市分区是对城区进行划分后得到的；对于所述城区内的任一城市分区，所述任一城市分区对应的出发矩阵包括所有用户在预设时间段内从所述任一城市分区分别移动至每一其它城市分区的移动频次，所述任一城市分区对应的到达矩阵包括所有用户在所述预设时间段内分别从每一其它城市分区移动至所述任一城市分区的移动频次，所述其它城市分区为所述城区内除所述任一城市分区之外的城市分区；
第一确定模块，用于将指定参数输入至预设模型，基于所述预设模型的输出结果确定每一城市分区对应的预设类型；其中，所述指定参数至少包括预设类型总数、每一城市分区对应的出发矩阵及到达矩阵。
16.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至14任一所述的方法。
17.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至14任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810661463.0A CN108875032B (zh) | 2018-06-25 | 2018-06-25 | 区域类型确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810661463.0A CN108875032B (zh) | 2018-06-25 | 2018-06-25 | 区域类型确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108875032A true CN108875032A (zh) | 2018-11-23 |
| CN108875032B CN108875032B (zh) | 2022-02-25 |
Family
ID=64294663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810661463.0A Active CN108875032B (zh) | 2018-06-25 | 2018-06-25 | 区域类型确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875032B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442662A (zh) * | 2019-07-08 | 2019-11-12 | 清华大学 | 一种确定用户属性信息的方法以及信息推送方法 |
| CN110866156A (zh) * | 2019-11-26 | 2020-03-06 | 北京明略软件***有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
| CN111738624A (zh) * | 2020-07-20 | 2020-10-02 | 武大吉奥信息技术有限公司 | 一种用于解决供求关系平衡的区域划分方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130054602A1 (en) * | 2010-05-12 | 2013-02-28 | Nec Corporation | Characteristic point detection system, characteristic point detection method, and program |
| CN103996068A (zh) * | 2014-05-08 | 2014-08-20 | 百度在线网络技术（北京）有限公司 | 客流分布的统计方法和装置 |
| CN106681996A (zh) * | 2015-11-05 | 2017-05-17 | 腾讯科技（深圳）有限公司 | 确定地理范围内兴趣区域、兴趣点的方法和装置 |
| CN106991142A (zh) * | 2017-03-22 | 2017-07-28 | 湖州师范学院 | 一种基于微信数据和兴趣点数据识别城市功能区的方法 |
-
2018
- 2018-06-25 CN CN201810661463.0A patent/CN108875032B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130054602A1 (en) * | 2010-05-12 | 2013-02-28 | Nec Corporation | Characteristic point detection system, characteristic point detection method, and program |
| CN103996068A (zh) * | 2014-05-08 | 2014-08-20 | 百度在线网络技术（北京）有限公司 | 客流分布的统计方法和装置 |
| CN106681996A (zh) * | 2015-11-05 | 2017-05-17 | 腾讯科技（深圳）有限公司 | 确定地理范围内兴趣区域、兴趣点的方法和装置 |
| CN106991142A (zh) * | 2017-03-22 | 2017-07-28 | 湖州师范学院 | 一种基于微信数据和兴趣点数据识别城市功能区的方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442662A (zh) * | 2019-07-08 | 2019-11-12 | 清华大学 | 一种确定用户属性信息的方法以及信息推送方法 |
| CN110866156A (zh) * | 2019-11-26 | 2020-03-06 | 北京明略软件***有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
| CN110866156B (zh) * | 2019-11-26 | 2022-05-17 | 北京明略软件***有限公司 | 基于社交数据的功能园区识别方法、装置、设备及介质 |
| CN111738624A (zh) * | 2020-07-20 | 2020-10-02 | 武大吉奥信息技术有限公司 | 一种用于解决供求关系平衡的区域划分方法及*** |
| CN111738624B (zh) * | 2020-07-20 | 2020-11-13 | 武大吉奥信息技术有限公司 | 一种用于解决供求关系平衡的区域划分方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108875032B (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2662939C (en) | System and method for web enabled geo-analytics and image processing | |
| CN106651392A (zh) | 一种智能商业选址方法、装置及*** | |
| CN106204063A (zh) | 一种付费用户挖掘方法及装置 | |
| CN109213754A (zh) | 一种数据处理***及数据处理方法 | |
| CN105389367B (zh) | 基于Mongo数据库的电网图形多时态多级分布式存储方法 | |
| Liu et al. | A generalized framework for measuring pedestrian accessibility around the world using open data | |
| CN104462222A (zh) | 一种卡口车辆通行数据的分布式存储方法及*** | |
| CN110019616A (zh) | 一种poi现势状态获取方法及其设备、存储介质、服务器 | |
| CN108875032A (zh) | 区域类型确定方法及装置 | |
| CN110334289A (zh) | 出行目的地的确定方法和目标用户的确定方法 | |
| CN108121742A (zh) | 用户分类模型的生成方法及装置 | |
| CN107395680A (zh) | 店铺群信息推送和输出方法及装置、设备 | |
| CN103246712A (zh) | 一种地铁线路推荐的方法 | |
| Zhang et al. | An optimization model for guiding pedestrian–vehicle mixed flows during an emergency evacuation | |
| CN110413722B (zh) | 地址选择方法、装置以及非瞬时性存储介质 | |
| Lin et al. | A stacking model for variation prediction of public bicycle traffic flow | |
| CN108287889B (zh) | 一种基于弹性表模型的多源异构数据存储方法和*** | |
| Usman et al. | The hybrid of depth first search technique and Kruskal's algorithm for solving the multiperiod degree constrained minimum spanning tree problem | |
| CN104392035B (zh) | 一种基于Web的城市三维建模方法 | |
| CN108334353A (zh) | 技能开发***及方法 | |
| CN113657812A (zh) | 一种基于大数据和算法的门店运营智慧决策的方法和*** | |
| CN106021245A (zh) | 数据的可视化方法和装置 | |
| CN104484763A (zh) | 一种基于三维的美丽村镇建设的方法和*** | |
| CN109766541A (zh) | 一种营销策略的识别方法、服务器和计算机存储介质 | |
| CN115063175A (zh) | 店铺服务范围划定方法、***、计算机设备及存储介质 |
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 |