CN109995884A - 确定精确地理位置的方法和装置 - Google Patents
确定精确地理位置的方法和装置 Download PDFInfo
- Publication number
- CN109995884A CN109995884A CN201711481337.9A CN201711481337A CN109995884A CN 109995884 A CN109995884 A CN 109995884A CN 201711481337 A CN201711481337 A CN 201711481337A CN 109995884 A CN109995884 A CN 109995884A
- Authority
- CN
- China
- Prior art keywords
- geographical location
- cluster
- optimal
- geographical
- mass center
- 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
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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L61/00—Network arrangements, protocols or services for addressing or naming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2101/00—Indexing scheme associated with group H04L61/00
- H04L2101/60—Types of network addresses
- H04L2101/668—Internet protocol [IP] address subnets
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2101/00—Indexing scheme associated with group H04L61/00
- H04L2101/60—Types of network addresses
- H04L2101/69—Types of network addresses using geographic information, e.g. room number
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种确定精确地理位置的方法和装置,涉及互联网技术领域。该方法的一具体实施方式包括:获取IP以及与所述IP关联的多个地理位置;利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果;基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。该实施方式能够确定IP的精确地理位置,提高了定位精度,而且不需要铺设大量监测点,进而在提高定位精度的同时降低了成本。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种确定精确地理位置的方法和装置。
背景技术
IP定位技术,简而言之,是通过设备的IP地址来确定其地理位置的技术。IP定位具有极其广泛的应用,主要包括定向广告、社交网络、网络安全、性能优化等。在移动互联网的大背景下,手机等包含GPS信息模块的终端设备,通过数据上报能够很容易获取用户的街道级别的地理位置。但是如果是台式电脑、笔记本等不含GPS硬件设备的终端,就无法通过GPS等技术获取用户的地理位置,这时候就需要使用高精度IP定位技术。而传统的IP定位只能定位到市级,区级数据的准确性也值得商榷。
传统的IP定位算法,根据时延与地理距离之间的线性关系来估测位置,并通过拓扑结构减小误差。
具体的,是基于BGP(Border Gateway Protocol边界网关协议)/ASN(AutonomousSystem Number自治***号)数据分析而得来的,同时在全球自建网络监测点,根据待定位IP与监测点之间的网络返回延时值划分网络拓扑结构,从而进一步确认待定位IP的地理位置,此种方式定位较为可信,但是精度仍然不高(区级精度)。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
此技术需要铺设足够多的监测点,用于确认IP的物理地址,成本较高,而且需要较为复杂的步骤,并且由于是通过网络链路延时来反推地理位置,此种方式定位虽然较为可信,但是精度仍然不高。
发明内容
有鉴于此,本发明实施例提供一种确定精确地理位置的方法和装置,提高了定位精度,而且本发明不需要铺设大量监测点,进而在提高定位精度的同时降低了成本。
为实现上述目的,根据本发明实施例的一个方面,提供了一种确定精确地理位置的方法,包括:获取IP以及与所述IP关联的多个地理位置;利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果;基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。
可选地,所述聚类算法为k-means算法,所述优化算法为加权最小二乘法。
可选地,利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果的步骤包括:从所述IP关联的多个地理位置中选取两个地理位置作为第一初始质心和第二初始质心;计算所述多个地理位置中每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离;根据所述第一球面距离和所述第二球面距离,对所述IP关联的多个地理位置进行聚类以获得高密度簇,以所述高密度簇作为所述IP的地理位置聚类结果。
可选地,根据如下公式(1)计算每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离:
S=R·ar cos(cosβ1·cosβ2·cos(α1-α2)+sinβ1·sinβ2) (1)
其中,R表示地球长轴半径,S表示地理位置A与地理位置B之间的球面距离,β1为地理位置A的纬度,α1为地理位置A的经度,β2为地理位置B的纬度,α2为地理位置B的经度。
可选地,根据所述地理位置聚类结果,利用优化算法确定每个IP对应的最优地理位置包括:对于高密度簇中的每个地理位置,根据每个地理位置与高密度簇质心的球面距离,确定所述每个地理位置的权重;根据所述权重,利用加权最小二乘法确定每个IP对应的最优地理位置。
可选地,根据下式(2)确定所述每个地理位置的权重:
其中,λi表示第i个地理位置的权重,di表示第i个地理位置与高密度簇质心之间的球面距离,n为大于或等于1的整数;
根据下式(3)确定所述IP对应的最优地理位置:
其中,(xi,yi)表示第i个地理位置,表示最优地理位置。
可选地,根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置包括:将所述最优地理位置输入所述预设的人工神经网络模型,获取输出结果;若所述输出结果为预设的目标结果,则所述最优地理位置为所述IP的精确地理位置。
可选地,所述预设的人工神经网络模型的输入层具有3个神经元节点,隐含层具有5个神经元节点,输出层具有1个神经元节点。
为实现上述目的,根据本发明实施例的一个方面,提供了一种确定精确地理位置的装置,包括:获取模块,用于获取IP以及与所述IP关联的多个地理位置;聚类模块,用于利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果;最优地理位置确定模块,用于基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;精确地理位置确定模块,用于根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。
可选地,所述聚类算法为k-means算法,所述优化算法为加权最小二乘法。
可选地,所述聚类模块还用于:从所述IP关联的多个地理位置中选取两个地理位置作为第一初始质心和第二初始质心;计算所述多个地理位置中每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离;根据所述第一球面距离和所述第二球面距离,对所述IP关联的多个地理位置进行聚类以获得高密度簇,以所述高密度簇作为所述IP的地理位置聚类结果。
可选地,所述聚类模块根据如下公式(1)计算每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离:
S=R·ar cos(cosβ1·cosβ2·cos(α1-α2)+sinβ1·sinβ2) (1)
其中,R表示地球长轴半径,S表示地理位置A与地理位置B之间的球面距离,β1为地理位置A的纬度,α1为地理位置A的经度,β2为地理位置B的纬度,α2为地理位置B的经度。
可选地,所述最优地理位置确定模块还用于:对于高密度簇中的每个地理位置,根据每个地理位置与高密度簇质心的球面距离,确定所述每个地理位置的权重;根据所述权重,利用加权最小二乘法确定每个IP对应的最优地理位置。
可选地,根据下式(2)确定所述每个地理位置的权重:
其中,λi表示第i个地理位置的权重,di表示第i个地理位置与高密度簇质心之间的球面距离,n为大于或等于1的整数;
根据下式(3)确定所述IP对应的最优地理位置:
其中,(xi,yi)表示第i个地理位置,表示最优地理位置。
可选地,所述精确地理位置确定模块还用于:将所述最优地理位置输入所述预设的人工神经网络模型,获取输出结果;若所述输出结果为预设的目标结果,则所述最优地理位置为所述IP的精确地理位置。
可选地,所述预设的人工神经网络模型的输入层具有3个神经元节点,隐含层具有5个神经元节点,输出层具有1个神经元节点。
为实现上述目的,根据本发明实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例所述的确定精确地理位置的方法。
为实现上述目的,根据本发明实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例所述的确定精确地理位置的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用聚类算法,对所述多个地理位置进行聚类以获得每个IP的地理位置聚类结果;基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置的技术手段,所以提高了定位精度,而且不需要铺设大量监测点,降低了成本。具体的,通过k-means聚类,减少冗余数据,减少由于天气、信号、周边环境等因素造成的GPS定位误差;然后对不同用户(MAC)但是同一IP的地理位置,利用加权最小二乘法获取最优地理位置,;随着数据的积累,建立ANN神经网络训练模型,对于同一IP计算得到的最优解进行训练,排除一段时间内由于某些因素造成的脏数据(一些移动端装置可以模拟GPS数据,导致GPS数据无效),从而提高定位的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明一实施例的确定精确地理位置的方法的主要流程的示意图;
图2是根据本发明另一实施例的确定精确地理位置的方法的主要流程的示意图;
图3是根据本发明实施例的确定精确地理位置的装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性***架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明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,而不会背离本发明的范围和精神。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。
图1是根据本发明实施例的IP-地理位置数据集确定精确地理位置的方法的主要流程图的示意图。如图1所示,该方法包括:
步骤S101:获取IP以及与所述IP关联的多个地理位置;
步骤S102:利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果;
步骤S103:基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;
步骤S104:根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。
本实施例中的IP以及与IP关联的多个地理位置可以通过公开的地理信息数据库获取。也可以通过接收数据采集源上报的IP以及与IP关联的多个地理位置来获取,例如接收具有GPS信息模块的上报装置(例如智能手机、平板电脑等终端设备)上报的IP地址以及与该IP地址关联的地理位置。
随着移动互联网科技的发展,任何一部手机或者平板电脑等终端设备可以成本本实施例中的上报装置,都可以作为数据采集源,因此,本发明实施例不需要铺设大量的监测点,降低了成本。
在可选的实施例中,在接收上报装置上报的IP以及与该IP关联的地理位置时,还可以获取该上报装置的设备标识(例如MAC地址)和上报数据时的时间戳,从而将该设备标识、时间戳、IP以及该IP的地理位置组成一条有效数据,例如IP-MAC-GPS-TIMESTAMP,其中,GPS为上报的经纬度信息,TIMESTAMP为上报数据时的时间戳。
上述地理位置可以表现为经纬度信息、海拔信息等卫星定位信息,也可以表现为城市、街道、商户、写字楼等位置信息。在本实施例中,该地理位置优选为经纬度信息。
上述IP本质上,是一个32位的无符号整型(unsigned int)数据,范围从0~232,为了使用方便,一般使用字符串形式的IP地址,也就是平时使用的192.168.0.1这种形式,实际上,就是把每8个二进制位转换成对应的十进制整数,简称数值型IP。比如,192.168.0.1和3232235521是等价的。192.168.0.1意指1*2560+0*2561+168*2562+192*2563=3232235521。在本发明实施例中,为使用简便,所述的IP为数值型IP。
由于GPS容易受到上报装置所处环境、天气以及上报装置本身的信号等因素的影响,所以样本集中某些地理位置的误差可能较大,并不能完全采信。
因此,对于步骤S102,需要利用聚类算法对所述IP的多个地理位置进行聚类来排除误差较大的地理位置,从而获得该IP对应的较为准确的地理位置,进而提高定位的准确性。作为具体的示例,该聚类算法可以是k-means聚类算法,进一步的,可以将设备标识作为维度,以时间戳进行聚类,即对同一上报装置在某一段时间内上报的数据进行聚类。
上述k-means算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法的核心在于通过解算数据点到质心的某种距离作为优化目标的函数,利用函数取极值不断迭代,因此把得到紧凑且独立的簇作为最终目标。
进一步的,如图2所示,利用k-means聚类算法,对所述IP关联的多个地理位置进行聚类以获得所述IP的地理位置聚类结果的步骤包括如下步骤:
步骤S201:从所述IP关联的多个地理位置中选取两个地理位置作为第一初始质心和第二初始质心;
步骤S202:计算所述多个地理位置中每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离;
步骤S203:根据所述第一球面距离和所述第二球面距离,对所述IP关联的地理位置进行聚类以获得高密度簇和低密度簇,以所述高密度簇作为所述IP的地理位置聚类结果。
对于步骤S201,对于同一上报装置(即同一IP)在一段时间内采集的经纬度数据在分布上都是散列在该IP真实的地理位置附近的,此类点密度较大,但是由于受到外界因素影响,少数点与真实位置偏差较大,密度稀疏。因此,本发明实施例定义簇为被低密度区域分开的高密度区域,在选取初始化质心时,在基于密度的簇上选用两类。
具体的,可以随机选取2个经纬度作为第一初始质心和第二初始质心,也可以选取所有经纬度的平均值作为第一初始质心、与平均值偏差最大的经纬度作为第二初始质心。
对于步骤S202,由于经纬度是椭球面的坐标,因此不能简单的使用欧式距离作为衡量簇的紧凑指标,在此本发明实施例使用球面距离作为衡量簇的紧凑指标。可以通过如下公式计算两个地理位置之间的球面距离:
S=R·ar cos(cosβ1·cosβ2·cos(α1-α2)+sinβ1·sinβ2) (1)
其中,R表示地球长轴半径,S表示地理位置A与地理位置B之间的球面距离,β1为地理位置A的纬度,α1为地理位置A的经度,β2为地理位置B的纬度,α2为地理位置B的经度。
对于步骤S203,根据公式(1)计算得出第一球面距离和第二球面距离之后,距离第一初始质心近的地理位置为一簇,距离第二初始质心近的地理位置为另一簇。然后,重新计算每一簇的质心,重复迭代,直至最终质心不变或变化很小。选取高密度簇作为该IP的地理位置聚类结果,低密度簇作为误差簇进行摒弃,避免造成数据污染。
对于步骤S103,经过聚类算法初步排除了误差较大的地理位置之后,为了进一步提高定位精度,需要利用优化算法确定每一个IP对应的最优地理位置。具体的,可以利用优化算法对同一IP的高密度簇求取最优解。作为具体的示例,该优化算法可以是加权最小二乘法。
上述加权最小二乘法是一种数学优化技术,它通过最小化误差的平方和寻找数据的最佳函数匹配。加权最小二乘法在工程技术领域有着广泛的应用,利用加权最小二乘法可以简便地求得未知的参数,并使得这些求得数据与实际数据之间误差的平方和最小。
具体的,基于地理位置聚类结果,利用加权最小二乘法确定所述IP对应的最优地理位置的过程可以包括如下步骤:
1.对于高密度簇中的每个地理位置,根据每个地理位置与高密度簇质心的球面距离,确定所述每个地理位置的权重;
公式如下:
λi表示第i个经纬度的权重,di表示第i个经纬度与质心之间的距离,n为大于或等于1的整数。
2.根据所述权重,利用加权最小二乘法确定每个IP对应的最优地理位置。在此过程中,需要对同一IP的经纬度建立非线性曲线拟合函数,使其方差最小,具体公式如下式(3):
其中,(xi,yi)表示第i个地理位置,为该IP对应的最优地理位置。在实际计算时,(xi,yi)为第i个地理位置通过高斯投影将经纬度转换为大地坐标后的平面坐标。
在本发明实施例中,对同一IP的经纬度数据建立非线性回归模型:
其中为圆心坐标,r为半径。求该IP对应的最优地理位置即求解使其满足最小。
对于步骤S103,经过上述的k-means算法以及加权最小二乘法,可以认定某一台采样装置上报数据已经得到正确处理,但是在实际过程中,由于存在模拟器等因素,上报的IP与经纬度数据可能存在较大偏差,这部分数据可以认为是异常数据。因此,在本实施例中可以利用人工神经网络模型,对于同一IP计算得到的最优地理位置进行筛选,从而排除异常数据。具体的,可以在确定该IP的最优地理位置之后,引入人工神经网络模型对该最优地理位置进行一个简单的‘分类’,即将所有的最优地理位置分为两类,正常和异常两类。
因此,进一步的,该方法还包括:根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。
具体的,可以包括如下步骤:
将所述最优地理位置输入所述预设的人工神经网络模型,获取输出结果;
若所述输出结果为预设的目标结果,则所述最优地理位置为所述IP的精确地理位置。
在使用预设的人工神经网络模型对最优地理位置进行筛选之前,该方法还包括:训练该人工神经网络模型,即通过训练数据调整各个神经节点的权重,使得正常最优地理位置的期望输出为1,异常最优地理位置的期望输出为0。
具体的,选取大量关联正确地理位置的IP数据作为正常数据(例如大于20000条数据),并对同一IP加入人工异常数据,利用该正常数据和人工异常数据进行人工神经网络模型隐藏层权重训练,保证最终函数收敛,此时的隐藏层权重参数作为初始化参数。
作为具体的示例,所述预设的人工神经网络模型的输入层具有3个神经元节点,分别对应IP(数值型IP)、经度和纬度;隐含层具有5个神经元节点,该节点数量由开发人员通过训练数据收敛时间以及方法确定;输出层具有1个神经元节点,通过输出结果判定该经纬度是否是异常数据,输出结果为1表示该经纬度为正常数据,输出结果为0表示该经纬度为异常数据。
因此,上述的预设的目标结果可以为1,若输出结果为1,则该最优地理位置为所述IP的精确地理位置。
在可选的实施例中,可以将获得的IP及该IP的精确地理位置保存。
在本实施例中,人工神经网络模型(Artificial Neural Network,ANN)为:从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。
本发明实施例的确定精确地理位置的方法提高了定位精度,而且不需要铺设大量监测点,降低了成本。具体的,通过k-means聚类,减少冗余数据,减少由于天气、信号、周边环境等因素造成的GPS定位误差;然后对不同用户(MAC)但是同一IP的地理位置,利用加权最小二乘法获取最优地理位置,;随着数据的积累,建立ANN神经网络训练模型,对于同一IP计算得到的最优解进行训练,排除一段时间内由于某些因素造成的脏数据(一些移动端装置可以模拟GPS数据,导致GPS数据无效),从而提高定位的准确性。
本发明实施例的方法,还可以根据公式(3)得到方差,为IP定位的准确性提供量化指标,方差越小,准确性越高。
图3是根据本发明又一实施例的IP定位装置的主要模块的示意图。如图3所示,该装置300包括:获取模块301,用于获取IP以及与所述IP关联的多个地理位置;聚类模块302,用于利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果;最优地理位置确定模块303,用于基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;精确地理位置确定模块304,用于根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。
可选地,所述聚类算法为k-means算法,所述优化算法为加权最小二乘法。
可选地,所述聚类模块302还用于:从所述IP关联的多个地理位置中选取两个地理位置作为第一初始质心和第二初始质心;计算所述多个地理位置中每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离;根据所述第一球面距离和所述第二球面距离,对所述IP关联的多个地理位置进行聚类以获得高密度簇,以所述高密度簇作为所述IP的地理位置聚类结果。
可选地,所述聚类模块302根据如下公式(1)计算每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离:
S=R·ar cos(cosβ1·cosβ2·cos(α1-α2)+sinβ1·sinβ2) (1)
其中,R表示地球长轴半径,S表示地理位置A与地理位置B之间的球面距离,β1为地理位置A的纬度,α1为地理位置A的经度,β2为地理位置B的纬度,α2为地理位置B的经度。
可选地,所述最优地理位置确定模块303还用于:对于高密度簇中的每个地理位置,根据每个地理位置与高密度簇质心的球面距离,确定所述每个地理位置的权重;根据所述权重,利用加权最小二乘法确定每个IP对应的最优地理位置。
可选地,根据下式(2)确定所述每个地理位置的权重:
其中,λi表示第i个地理位置的权重,di表示第i个地理位置与高密度簇质心之间的球面距离,n为大于或等于1的整数;
根据下式(3)确定所述IP对应的最优地理位置:
其中,(xi,yi)表示第i个地理位置,表示最优地理位置。
可选地,所述精确地理位置确定模块304还用于:将所述最优地理位置输入所述预设的人工神经网络模型,获取输出结果;若所述输出结果为预设的目标结果,则所述最优地理位置为所述IP的精确地理位置。
可选地,所述预设的人工神经网络模型的输入层具有3个神经元节点,隐含层具有5个神经元节点,输出层具有1个神经元节点。
本发明实施例的确定精确地理位置的装置提高了定位精度,而且不需要铺设大量监测点,降低了成本。具体的,通过k-means聚类,减少冗余数据,减少由于天气、信号、周边环境等因素造成的GPS定位误差;然后对不同用户(MAC)但是同一IP的地理位置,利用加权最小二乘法获取最优地理位置,;随着数据的积累,建立ANN神经网络训练模型,对于同一IP计算得到的最优解进行训练,排除一段时间内由于某些因素造成的脏数据(一些移动端装置可以模拟GPS数据,导致GPS数据无效),从而提高定位的准确性。
图4示出了可以应用本发明实施例的IP-地理位置数据集构建方法或IP-地理位置数据集构建装置的示例性***架构400。
如图4所示,***架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的确定精确地理位置的方法一般由服务器405执行,相应地,IP定位装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机***500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 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。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该单元本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
获取IP以及与所述IP关联的多个地理位置;
利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果;
基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;
根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。
本发明实施例的技术方案
因为采用聚类算法,对所述多个地理位置进行聚类以获得每个IP的地理位置聚类结果;基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置的技术手段,所以提高了定位精度,而且不需要铺设大量监测点,降低了成本。具体的,通过k-means聚类,减少冗余数据,减少由于天气、信号、周边环境等因素造成的GPS定位误差;然后对不同用户(MAC)但是同一IP的地理位置,利用加权最小二乘法获取最优地理位置,;随着数据的积累,建立ANN神经网络训练模型,对于同一IP计算得到的最优解进行训练,排除一段时间内由于某些因素造成的脏数据(一些移动端装置可以模拟GPS数据,导致GPS数据无效),从而提高定位的准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (18)
1.一种确定精确地理位置的方法,其特征在于,包括:
获取IP以及与所述IP关联的多个地理位置;
利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果;
基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;
根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。
2.根据权利要求1所述的方法,其特征在于,所述聚类算法为k-means算法,所述优化算法为加权最小二乘法。
3.根据权利要求2所述的方法,其特征在于,利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果的步骤包括:
从所述IP关联的多个地理位置中选取两个地理位置作为第一初始质心和第二初始质心;
计算所述多个地理位置中每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离;
根据所述第一球面距离和所述第二球面距离,对所述IP关联的多个地理位置进行聚类以获得高密度簇,以所述高密度簇作为所述IP的地理位置聚类结果。
4.根据权利要求3所述的方法,其特征在于,根据如下公式(1)计算每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离:
S=R·ar cos(cos β1·cos β2·cos(α1-α2)+sinβ1·sinβ2) (1)
其中,R表示地球长轴半径,S表示地理位置A与地理位置B之间的球面距离,β1为地理位置A的纬度,α1为地理位置A的经度,β2为地理位置B的纬度,α2为地理位置B的经度。
5.根据权利要求3所述的方法,其特征在于,根据所述地理位置聚类结果,利用优化算法确定每个IP对应的最优地理位置包括:
对于高密度簇中的每个地理位置,根据每个地理位置与高密度簇质心的球面距离,确定所述每个地理位置的权重;
根据所述权重,利用加权最小二乘法确定每个IP对应的最优地理位置。
6.根据权利要求5所述的方法,其特征在于,根据下式(2)确定所述每个地理位置的权重:
其中,λi表示第i个地理位置的权重,di表示第i个地理位置与高密度簇质心之间的球面距离,n为大于或等于1的整数;
根据下式(3)确定所述IP对应的最优地理位置:
其中,(xi,yi)表示第i个地理位置,表示最优地理位置。
7.根据权利要求1所述的方法,其特征在于,根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置包括:
将所述最优地理位置输入所述预设的人工神经网络模型,获取输出结果;
若所述输出结果为预设的目标结果,则所述最优地理位置为所述IP的精确地理位置。
8.根据权利要求7所述的方法,其特征在于,所述预设的人工神经网络模型的输入层具有3个神经元节点,隐含层具有5个神经元节点,输出层具有1个神经元节点。
9.一种确定精确地理位置的装置,其特征在于,包括:
获取模块,用于获取IP以及与所述IP关联的多个地理位置;
聚类模块,用于利用聚类算法,对所述多个地理位置进行聚类以获得所述IP的地理位置聚类结果;
最优地理位置确定模块,用于基于所述地理位置聚类结果,利用优化算法确定所述IP对应的最优地理位置;
精确地理位置确定模块,用于根据所述最优地理位置和预设的人工神经网络模型,确定所述IP的精确地理位置。
10.根据权利要求9所述的装置,其特征在于,所述聚类算法为k-means算法,所述优化算法为加权最小二乘法。
11.根据权利要求10所述的装置,其特征在于,所述聚类模块还用于:
从所述IP关联的多个地理位置中选取两个地理位置作为第一初始质心和第二初始质心;
计算所述多个地理位置中每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离;
根据所述第一球面距离和所述第二球面距离,对所述IP关联的多个地理位置进行聚类以获得高密度簇,以所述高密度簇作为所述IP的地理位置聚类结果。
12.根据权利要求11所述的装置,其特征在于,所述聚类模块根据如下公式(1)计算每个地理位置与所述第一初始质心之间的第一球面距离以及与第二初始质心之间的第二球面距离:
S=R·ar cos(cos β1·cos β2·cos(α1-α2)+sin β1·sin β2) (1)
其中,R表示地球长轴半径,S表示地理位置A与地理位置B之间的球面距离,β1为地理位置A的纬度,α1为地理位置A的经度,β2为地理位置B的纬度,α2为地理位置B的经度。
13.根据权利要求10所述的装置,其特征在于,所述最优地理位置确定模块还用于:
对于高密度簇中的每个地理位置,根据每个地理位置与高密度簇质心的球面距离,确定所述每个地理位置的权重;
根据所述权重,利用加权最小二乘法确定每个IP对应的最优地理位置。
14.根据权利要求13所述的装置,其特征在于,根据下式(2)确定所述每个地理位置的权重:
其中,λi表示第i个地理位置的权重,di表示第i个地理位置与高密度簇质心之间的球面距离,n为大于或等于1的整数;
根据下式(3)确定所述IP对应的最优地理位置:
其中,(xi,yi)表示第i个地理位置,表示最优地理位置。
15.根据权利要求8所述的装置,其特征在于,所述精确地理位置确定模块还用于:
将所述最优地理位置输入所述预设的人工神经网络模型,获取输出结果;
若所述输出结果为预设的目标结果,则所述最优地理位置为所述IP的精确地理位置。
16.根据权利要求15所述的装置,其特征在于,所述预设的人工神经网络模型的输入层具有3个神经元节点,隐含层具有5个神经元节点,输出层具有1个神经元节点。
17.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711481337.9A CN109995884B (zh) | 2017-12-29 | 2017-12-29 | 确定精确地理位置的方法和装置 |
PCT/CN2018/108635 WO2019128355A1 (zh) | 2017-12-29 | 2018-09-29 | 确定精确地理位置的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711481337.9A CN109995884B (zh) | 2017-12-29 | 2017-12-29 | 确定精确地理位置的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109995884A true CN109995884A (zh) | 2019-07-09 |
CN109995884B CN109995884B (zh) | 2021-01-26 |
Family
ID=67062986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711481337.9A Active CN109995884B (zh) | 2017-12-29 | 2017-12-29 | 确定精确地理位置的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109995884B (zh) |
WO (1) | WO2019128355A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111327721A (zh) * | 2020-02-28 | 2020-06-23 | 加和(北京)信息科技有限公司 | Ip地址定位方法及装置、存储介质及电子装置 |
CN112328880A (zh) * | 2020-11-05 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 地理区域聚类方法、装置、存储介质和电子设备 |
CN112769702A (zh) * | 2021-01-06 | 2021-05-07 | 郑州埃文计算机科技有限公司 | 一种基于路由器别名和基准点地理特征的路由器定位方法 |
WO2021088107A1 (zh) * | 2019-11-04 | 2021-05-14 | 北京数字联盟网络科技有限公司 | Ip定位方法及装置、计算机存储介质、计算设备 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109995884B (zh) * | 2017-12-29 | 2021-01-26 | 北京京东尚科信息技术有限公司 | 确定精确地理位置的方法和装置 |
US20220264250A1 (en) * | 2019-11-04 | 2022-08-18 | Beijing Digital Union Web Science And Technology Company Limited | Ip positioning method and unit, computer storage medium and computing device |
CN111080198B (zh) * | 2019-11-29 | 2023-06-09 | 浙江大搜车软件技术有限公司 | 车辆物流路径生成的方法、装置、计算机设备及存储介质 |
CN111159493B (zh) * | 2019-12-25 | 2023-07-18 | 乐山师范学院 | 一种基于特征权重的网络数据相似度计算方法与*** |
CN111898624B (zh) * | 2020-01-21 | 2024-04-02 | 北京畅行信息技术有限公司 | 定位信息的处理方法、装置、设备及存储介质 |
CN111383051B (zh) * | 2020-03-02 | 2023-05-30 | 杭州比智科技有限公司 | 实体对象的选址方法、装置、计算设备及计算机存储介质 |
CN111524176A (zh) * | 2020-04-16 | 2020-08-11 | 深圳市沃特沃德股份有限公司 | 视距测量定位的方法、装置和计算机设备 |
CN112801189A (zh) * | 2021-01-29 | 2021-05-14 | 上海寻梦信息技术有限公司 | 经纬度异常检测方法、装置、电子设备和存储介质 |
CN113067913B (zh) * | 2021-03-19 | 2022-12-09 | 北京达佳互联信息技术有限公司 | 定位方法、装置、服务器、介质及产品 |
CN113865604B (zh) * | 2021-08-31 | 2023-04-14 | 北京三快在线科技有限公司 | 一种位置数据的生成方法和装置 |
CN115242868A (zh) * | 2022-07-13 | 2022-10-25 | 郑州埃文计算机科技有限公司 | 一种基于图神经网络的街道级ip地址定位方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1353295A1 (en) * | 2000-12-12 | 2003-10-15 | Consejo Superior De Investigaciones Cientificas | Non-linear data mapping and dimensionality reduction system |
CN101267374A (zh) * | 2008-04-18 | 2008-09-17 | 清华大学 | 基于神经网络和无线局域网基础架构的2.5d定位方法 |
US7543045B1 (en) * | 2008-05-28 | 2009-06-02 | International Business Machines Corporation | System and method for estimating the geographical location and proximity of network devices and their directly connected neighbors |
CN101814063A (zh) * | 2010-05-24 | 2010-08-25 | 天津大学 | 基于距离权重的全局k-均值聚类算法 |
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN103561463A (zh) * | 2013-10-24 | 2014-02-05 | 电子科技大学 | 一种基于样本聚类的rbf神经网络室内定位方法 |
CN104168341A (zh) * | 2014-08-15 | 2014-11-26 | 北京百度网讯科技有限公司 | Ip地址的定位方法和cdn调度方法以及装置 |
CN105718465A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 地理围栏生成方法及装置 |
CN105933294A (zh) * | 2016-04-12 | 2016-09-07 | 晶赞广告(上海)有限公司 | 网络用户定位方法、装置及终端 |
CN106469205A (zh) * | 2016-08-31 | 2017-03-01 | 百度在线网络技术(北京)有限公司 | 一种确定用户的地理位置信息的方法与装置 |
CN106534392A (zh) * | 2015-09-10 | 2017-03-22 | 阿里巴巴集团控股有限公司 | 一种定位信息采集方法、定位方法及装置 |
CN106525678A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于地理位置的pm2.5浓度值的预测方法及装置 |
CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
WO2019128355A1 (zh) * | 2017-12-29 | 2019-07-04 | 北京京东尚科信息技术有限公司 | 确定精确地理位置的方法和装置 |
-
2017
- 2017-12-29 CN CN201711481337.9A patent/CN109995884B/zh active Active
-
2018
- 2018-09-29 WO PCT/CN2018/108635 patent/WO2019128355A1/zh active Application Filing
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1353295A1 (en) * | 2000-12-12 | 2003-10-15 | Consejo Superior De Investigaciones Cientificas | Non-linear data mapping and dimensionality reduction system |
CN101267374A (zh) * | 2008-04-18 | 2008-09-17 | 清华大学 | 基于神经网络和无线局域网基础架构的2.5d定位方法 |
US7543045B1 (en) * | 2008-05-28 | 2009-06-02 | International Business Machines Corporation | System and method for estimating the geographical location and proximity of network devices and their directly connected neighbors |
CN101814063A (zh) * | 2010-05-24 | 2010-08-25 | 天津大学 | 基于距离权重的全局k-均值聚类算法 |
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN103561463A (zh) * | 2013-10-24 | 2014-02-05 | 电子科技大学 | 一种基于样本聚类的rbf神经网络室内定位方法 |
CN104168341A (zh) * | 2014-08-15 | 2014-11-26 | 北京百度网讯科技有限公司 | Ip地址的定位方法和cdn调度方法以及装置 |
CN105718465A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 地理围栏生成方法及装置 |
CN106534392A (zh) * | 2015-09-10 | 2017-03-22 | 阿里巴巴集团控股有限公司 | 一种定位信息采集方法、定位方法及装置 |
CN105933294A (zh) * | 2016-04-12 | 2016-09-07 | 晶赞广告(上海)有限公司 | 网络用户定位方法、装置及终端 |
CN106469205A (zh) * | 2016-08-31 | 2017-03-01 | 百度在线网络技术(北京)有限公司 | 一种确定用户的地理位置信息的方法与装置 |
CN106525678A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于地理位置的pm2.5浓度值的预测方法及装置 |
CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
WO2019128355A1 (zh) * | 2017-12-29 | 2019-07-04 | 北京京东尚科信息技术有限公司 | 确定精确地理位置的方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021088107A1 (zh) * | 2019-11-04 | 2021-05-14 | 北京数字联盟网络科技有限公司 | Ip定位方法及装置、计算机存储介质、计算设备 |
CN111327721A (zh) * | 2020-02-28 | 2020-06-23 | 加和(北京)信息科技有限公司 | Ip地址定位方法及装置、存储介质及电子装置 |
CN111327721B (zh) * | 2020-02-28 | 2023-01-10 | 加和(北京)信息科技有限公司 | Ip地址定位方法及装置、存储介质及电子装置 |
CN112328880A (zh) * | 2020-11-05 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 地理区域聚类方法、装置、存储介质和电子设备 |
CN112769702A (zh) * | 2021-01-06 | 2021-05-07 | 郑州埃文计算机科技有限公司 | 一种基于路由器别名和基准点地理特征的路由器定位方法 |
CN112769702B (zh) * | 2021-01-06 | 2023-07-21 | 郑州埃文计算机科技有限公司 | 一种基于路由器别名和基准点地理特征的路由器定位方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019128355A1 (zh) | 2019-07-04 |
CN109995884B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109995884A (zh) | 确定精确地理位置的方法和装置 | |
US20200286039A1 (en) | Information generation method and apparatus | |
CN110166943B (zh) | 终端位置信息的处理方法 | |
CN106537384B (zh) | 使用指示用户位置的数据的逆向ip数据库 | |
US20140280318A1 (en) | Method and System for Generating a Geocode Trie and Facilitating Reverse Geocode Lookups | |
CN104995870A (zh) | 多目标服务器布局确定 | |
WO2019072092A1 (zh) | Ip地址定位方法及装置,电子设备及存储介质 | |
CN109949063A (zh) | 一种地址确定方法、装置、电子设备及可读存储介质 | |
CN110300084B (zh) | 基于ip地址的画像方法和装置,电子设备,可读介质 | |
US11468349B2 (en) | POI valuation method, apparatus, device and computer storage medium | |
CN110069579A (zh) | 电子围栏分块方法和装置 | |
CN113094601B (zh) | 一种gis云管理方法及*** | |
US20020103772A1 (en) | System and method for gathering of real-time current flow information | |
CN108549907A (zh) | 一种基于多源迁移学习的数据校验方法 | |
CN111311193B (zh) | 公共服务资源的配置方法和装置 | |
CN110414613B (zh) | 区域聚类的方法、装置、设备和计算机可读存储介质 | |
CN109460444A (zh) | 用于输出信息的方法和装置 | |
CN110209748A (zh) | 索引地理围栏的方法和装置 | |
CN117115381B (zh) | 数据处理方法和装置、存储介质及电子设备 | |
CN105516251A (zh) | 一种定位校准方法及其位置服务推送*** | |
CN109996275A (zh) | 一种获取网络信号覆盖信息的方法和装置 | |
CN108495262B (zh) | 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法 | |
US11153719B2 (en) | Systems and methods for identifying available services at a physical address | |
CN110378634A (zh) | 一种生成配送地址的方法和装置 | |
CN112232572B (zh) | 一种空间搜索方法、装置及存储介质 |
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 |