CN112235714B - 基于人工智能的poi定位方法、装置、计算机设备及介质 - Google Patents
基于人工智能的poi定位方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN112235714B CN112235714B CN202011092085.2A CN202011092085A CN112235714B CN 112235714 B CN112235714 B CN 112235714B CN 202011092085 A CN202011092085 A CN 202011092085A CN 112235714 B CN112235714 B CN 112235714B
- Authority
- CN
- China
- Prior art keywords
- attribute
- wifi
- classified
- distance
- poi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及定位技术领域,提供一种基于人工智能的POI定位方法、装置、计算机设备及介质,包括:获取用户的多个待分类的WIFI的服务集标识及经纬度数据;根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵;根据所述属性矩阵生成多个属性拓扑图,其中,每个属性拓扑图中包括若干个待分类的WIFI;将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用‑公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签;获取所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI。本发明将人工智能技术应用于POI的定位中,能够精确的定位出公用WIFI的POI。
Description
技术领域
本发明涉及定位技术领域,具体涉及一种基于人工智能的POI定位方法、装置、计算机设备及介质。
背景技术
在地理信息***中,一个POI(Point of Interest,兴趣点)可以是一栋房子、一个商铺、一个邮筒或一个公交站等。随着人们对于室内位置服务需求的日益高涨,越来越多的研究者们投入到了室内定位技术的研究领域。其中,由于WIFI网络与设备的广泛部署以及智能移动设备的普遍使用,基于WIFI的室内定位技术成为研究的热点。
发明人在实现本发明的过程中发现,现有技术是通过收集大量的LBS数据(如用户曾连接的Wi-Fi的经纬度数据)来对POI进行分类定位,然而该方法受限于经纬度数据的准确度,一旦经纬度数据错误,导致POI的分类定位必然出错;且对于一些较小的POI,经纬度数据难以满足分类定位的粒度需求,POI分类定位的准确度较低。
发明内容
鉴于以上内容,有必要提出一种基于人工智能的POI定位方法、装置、计算机设备及介质,能够精确的定位出公用WIFI的POI。
本发明的第一方面提供一种基于人工智能的POI定位方法,所述方法包括:
获取用户的多个待分类的WIFI的服务集标识及经纬度数据;
根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵;
根据所述属性矩阵生成多个属性拓扑图,其中,每个属性拓扑图中包括若干个待分类的WIFI;
将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签;
获取所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI。
根据本发明的一个可选的实施例,所述根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵包括:
根据所述经纬度数据计算任意两个待分类的WIFI的距离;
根据所述距离生成距离矩阵;
比较所述距离矩阵中的任意一个距离与预设距离阈值;
当所述距离矩阵中的任意一个距离大于或者等于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第一类别标识;
当所述距离矩阵中的任意一个距离小于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第二类别标识;
根据更新后的距离矩阵得到属性矩阵。
根据本发明的一个可选的实施例,所述根据所述属性矩阵生成多个属性拓扑图包括:
获取所述属性矩阵为第一类别标识对应的两个第一WIFI,获取所述属性矩阵为第二类别标识对应的两个第二WIFI;
根据多个所述第一WIFI生成第一属性拓扑图及根据多个所述第二WIFI生成第二属性拓扑图,其中,所述第一属性拓扑图中的顶点为第一WIFI,所述第二属性拓扑图中的顶点为第二WIFI。
根据本发明的一个可选的实施例,所述将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签包括:
对于每个属性拓扑图,将所述属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类得到每个待分类的WIFI的预测属性标签;
获取所述预测属性标签中具有相同的预测属性标签的目标属性标签;
计算所述目标属性标签的数量;
将最大数量的目标属性标签确定为所述属性拓扑图中的每个待分类的WIFI的属性标签。
根据本发明的一个可选的实施例,在所述计算所述目标属性标签的数量之后,所述方法还包括:
判断最大数量的目标属性标签与对应的属性拓扑图是否匹配;
当最大数量的目标属性标签与对应的属性拓扑图匹配时,将最大数量的目标属性标签确定为所述属性拓扑图中的每个待分类的WIFI的属性标签;
当最大数量的目标属性标签与对应的属性拓扑图不匹配时,重新根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵,并根据重新生成的属性矩阵生成多个属性拓扑图直到最大数量的目标属性标签与对应的属性拓扑图匹配。
根据本发明的一个可选的实施例,所述根据所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI包括:
调用预设第一搜索POI接口搜索与所述经纬度数据对应的多个第一POI;
调用预设第二搜索POI接口搜索与所述服务集标识及所述经纬度数据对应的多个第二POI;
将所述多个第一POI与所述多个第二POI进行匹配;
将所述多个第一POI与所述多个第二POI中具有相同的POI确定为目标POI;
确定所述目标POI为所述目标待分类的WIFI的POI。
根据本发明的一个可选的实施例,在所述根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI之后,所述方法还包括:
计算具有相同POI的数量;
获取最大数量对应的POI的名称;
向所述用户推荐与所述名称对应的商品。
本发明的第二方面提供一种基于人工智能的POI定位装置,所述装置包括:
获取模块,用于获取用户的多个待分类的WIFI的服务集标识及经纬度数据;
计算模块,用于根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵;
生成模块,用于根据所述属性矩阵生成多个属性拓扑图,其中,每个属性拓扑图中包括若干个待分类的WIFI;
分类模块,用于将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签;
定位模块,用于获取所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI。
本发明的第三方面提供一种计算机设备,所述计算机设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述的基于人工智能的POI定位方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于人工智能的POI定位方法。
综上所述,本发明所述的基于人工智能的POI定位方法、装置、计算机设备及介质,通过获取用户的多个待分类的WIFI的服务集标识及经纬度数据,根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵并根据所述属性矩阵生成多个属性拓扑图,实现了对多个待分类的WIFI的第一次分类;再通过将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签,实现了对多个待分类的WIFI的第二次分类,并结合属性拓扑图校验了私用-公用二分类模型的分类准确率,从而得到的属性标签的准确率较高,提高了后续定位待分类WIFI的POI的精确性;最后对于所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据交叉验证定位出POI,提高了POI的定位的精确性。
附图说明
图1是本发明实施例一提供的基于人工智能的POI定位方法的流程图。
图2是本发明实施例二提供的基于人工智能的POI定位装置的结构图。
图3是本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
基于人工智能的POI定位方法由计算机设备执行,相应地,基于人工智能的POI定位装置运行于计算机设备中。
图1是本发明实施例一提供的基于人工智能的POI定位方法的流程图。所述基于人工智能的POI定位方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,获取用户的多个待分类的WIFI的服务集标识及经纬度数据。
其中,所述用户的多个待分类的WIFI可以是指同一个用户的多个待分类的WIFI,也可以是指多个用户的待分类的WIFI。
计算机设备可以获取用户的终端设备自动或者被动上报的多个WIFI的服务集标识(Service Set Identifier,SSID)及经纬度数据,将终端设备上报的多个WIFI的服务集标识对应的WIFI确定为待分类的WIFI。
终端设备可以基于位置的服务(Location Based Services,LBS)自动或者被动上报经纬度数据。LBS是利用各类型的定位技术来获取定位设备当前的所在位置,通过移动互联网向定位设备提供信息资源和基础服务。
服务集标识SSID用于唯一标识一个WIFI,一个服务集标识对应一个经纬度数据,一个经纬度数据可以对应多个服务集标识。
通过获取用户的多个待分类的WIFI的服务集标识及经纬度数据,并根据服务集标识及经纬度数据对每个待分类的WIFI进行精确的POI定位,能够实现对一个用户或者多个用户的行为的分析。
S12,根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵。
经纬度数据能够在一定程度上定位出WIFI的地理位置,相邻或者相近的WIFI的经纬度数据相同或者相差不大,通过经纬度数据能够初步的对多个待分类的WIFI进行分类。
在一个可选的实施例中,所述根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵包括:
根据所述经纬度数据计算任意两个待分类的WIFI的距离;
根据所述距离生成距离矩阵;
比较所述距离矩阵中的任意一个距离与预设距离阈值;
当所述距离矩阵中的任意一个距离大于或者等于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第一类别标识;
当所述距离矩阵中的任意一个距离小于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第二类别标识;
根据更新后的距离矩阵得到属性矩阵。
其中,所述距离可以是欧式距离,也可以是余弦夹角,曼哈顿距离,切比雪夫距离,幂距离等。距离越近,表示对应的两个WIFI的经纬度数据越相近,两个WIFI越属于同一类(私用WIFI类,或者,公用WIFI类);距离越远,表示对应的两个WIFI的经纬度数据越相离,两个WIFI越属于不同类。
其中,所述第一类别标识可以为1,所述第二类别标识可以为0。
S13,根据所述属性矩阵生成多个属性拓扑图,其中,每个属性拓扑图中包括若干个待分类的WIFI。
所述属性矩阵中的元素为类别标识,将具有相同类别标识的元素对应的WIFI聚类在一起,生成属性拓扑图。
在一个可选的实施例中,所述根据所述属性矩阵生成多个属性拓扑图包括:
获取所述属性矩阵为第一类别标识对应的两个第一WIFI,获取所述属性矩阵为第二类别标识对应的两个第二WIFI;
根据多个所述第一WIFI生成第一属性拓扑图及根据多个所述第二WIFI生成第二属性拓扑图,其中,所述第一属性拓扑图中的顶点为第一WIFI,所述第二属性拓扑图中的顶点为第二WIFI。
所述第一属性拓扑图中的两个顶点之间对应有第一类别标识,则在这两个顶点之间建立一条边。所述第二属性拓扑图中的两个顶点之间对应有第二类别标识,则在这两个顶点之间建立一条边。
根据所述属性矩阵生成多个属性拓扑图,能够实现对多个待分类的WIFI的初次分类,将具有同一类的WIFI分为一类,将具有不同类的WIFI分为不同的类。
S14,将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签。
其中,私用-公用二分类模型为预先训练得到的,用以对待分类的WIFI的二次分类,判断待分类的WIFI为公用WIFI还是私用WIFI。
在一个可选的实施例中,所述将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签包括:
对于每个属性拓扑图,将所述属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类得到每个待分类的WIFI的预测属性标签;
获取所述预测属性标签中具有相同的预测属性标签的目标属性标签;
计算所述目标属性标签的数量;
将最大数量的目标属性标签确定为所述属性拓扑图中的每个待分类的WIFI的属性标签。
由于同一个属性拓扑图对应的若干个待分类的WIFI具有相同的属性标签的概率较大,使用私用-公用二分类模型对若干个待分类的WIFI的服务集标识进行分类后,得到的若干个属性标签应该全部相同或者具有较大数量的相同。
在一个可选的实施例中,在所述计算所述目标属性标签的数量之后,所述方法还包括:
判断最大数量的目标属性标签与对应的属性拓扑图是否匹配;
当最大数量的目标属性标签与对应的属性拓扑图匹配时,将最大数量的目标属性标签确定为所述属性拓扑图中的每个待分类的WIFI的属性标签;
当最大数量的目标属性标签与对应的属性拓扑图不匹配时,重新根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵,并根据重新生成的属性矩阵生成多个属性拓扑图直到最大数量的目标属性标签与对应的属性拓扑图匹配。
该可选的实施例中,通过属性拓扑图实现对多个待分类的WIFI的初步分类后,再通过私用-公用二分类模型对同一属性拓扑图中的若干个待分类的WIFI的二次分类得到属性标签,使用属性拓扑图反过来校验属性标签是否被正确分类,提高了属性标签的分类的正确率。
当使用属性拓扑图校验属性标签没有被正确分类时,重新根据所述经纬度数据计算任意两个待分类的WIFI的距离,此时的距离计算公式与前一次的距离计算公式不同。例如,第一次采用欧式距离计算,第二次采用余弦相似度计算。
在一个可选的实施例中,所述私用-公用二分类模型的训练过程包括:
获取多个属性标签为私用属性的WIFI的服务集标识及多个属性标签为公用的WIFI的服务集标识;
将服务集标识及对应的属性标签作为数据集,使用所述数据集训练支持向量机得到私用-公用二分类模型。
可以获取多个WIFI的服务集标识,采用标注工具对多个WIFI的服务集标识进行属性标签的标注,将标注有属性标签的多个WIFI的服务集标识作为训练私用-公用二分类模型的数据集。
S15,获取所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI。
对私用WIFI的POI定位没有商业价值,因此,本发明仅对公用属性的WIFI进行POI的定位。
在一个可选的实施例中,所述根据所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI包括:
调用预设第一搜索POI接口搜索与所述经纬度数据对应的多个第一POI;
调用预设第二搜索POI接口搜索与所述服务集标识及所述经纬度数据对应的多个第二POI;
将所述多个第一POI与所述多个第二POI进行匹配;
将所述多个第一POI与所述多个第二POI中具有相同的POI确定为目标POI;
确定所述目标POI为所述目标待分类的WIFI的POI。
对于筛选得到的公用Wi-Fi数据,可以调用预设第一搜索POI接口(例如,高德地图提供的“搜索POI”-“关键词搜索”的API),输入公用Wi-Fi对应的SSID以及其经纬度数据。对于一些公用WIFI由于SSID名称抽象、无意义等原因,无法推断出POI,则可以进一步调用预设第二搜索POI接口(例如,百度地图所提供的“搜索POI”-“周边搜索”的API),输入WIFI对应的经纬度数据,返回可能的POI。
通过SSID与经纬度数据地交叉验证,仅当两者都满足时才会返回数据,能够有效的保证搜索过程所返回的POI的正确性。
在返回POI信息时,不仅会返回POI的名称,还能返回POI所属多级分类等高质量信息。
在一个可选的实施例中,在所述根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI之后,所述方法还可以包括:
计算具有相同POI的数量;
获取最大数量对应的POI的名称;
向所述用户推荐与所述名称对应的商品。
示例性的,假设同一个用户的多个待分类的WIFI为100个,通过结合属性拓扑图和私用-公用二分类模型对100个待分类的WIFI进行分类后,确定出30个公用的待分类的WIFI。这30个公用的待分类的WIFI有20个待分类的WIFI对应的POI为咖啡,则可以向用户推荐咖啡,实现了根据用户使用的WIFI向用户定向推荐商品的功能,提高了商品推荐的效率。
综上,本发明通过获取用户的多个待分类的WIFI的服务集标识及经纬度数据,根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵并根据所述属性矩阵生成多个属性拓扑图,实现了对多个待分类的WIFI的第一次分类;再通过将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签,实现了对多个待分类的WIFI的第二次分类,并结合属性拓扑图校验了私用-公用二分类模型的分类准确率,从而得到的属性标签的准确率较高,提高了后续定位待分类WIFI的POI的精确性;最后对于所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据交叉验证定位出POI,提高了POI的定位的精确性。
本发明可应用于智慧教育、智慧社区、智慧政务等场景中,从而推动智慧城市的建设。
需要强调的是,为进一步保证上述POI的私密性和安全性,上述POI可存储于区块链的节点中。
图2是本发明实施例二提供的基于人工智能的POI定位装置的结构图。
在一些实施例中,所述基于人工智能的POI定位装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的POI定位装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中,并由至少一个处理器所执行,以执行(详见图1描述)基于人工智能的POI定位的功能。
本实施例中,所述基于人工智能的POI定位装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:获取模块201、计算模块202、生成模块203、分类模块204、定位模块205及推荐模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述获取模块201,用于获取用户的多个待分类的WIFI的服务集标识及经纬度数据。
其中,所述用户的多个待分类的WIFI可以是指同一个用户的多个待分类的WIFI,也可以是指多个用户的待分类的WIFI。
计算机设备可以获取用户的终端设备自动或者被动上报的多个WIFI的服务集标识(Service Set Identifier,SSID)及经纬度数据,将终端设备上报的多个WIFI的服务集标识对应的WIFI确定为待分类的WIFI。
终端设备可以基于位置的服务(Location Based Services,LBS)自动或者被动上报经纬度数据。LBS是利用各类型的定位技术来获取定位设备当前的所在位置,通过移动互联网向定位设备提供信息资源和基础服务。
服务集标识SSID用于唯一标识一个WIFI,一个服务集标识对应一个经纬度数据,一个经纬度数据可以对应多个服务集标识。
通过获取用户的多个待分类的WIFI的服务集标识及经纬度数据,并根据服务集标识及经纬度数据对每个待分类的WIFI进行精确的POI定位,能够实现对一个用户或者多个用户的行为的分析。
所述计算模块202,用于根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵。
经纬度数据能够在一定程度上定位出WIFI的地理位置,相邻或者相近的WIFI的经纬度数据相同或者相差不大,通过经纬度数据能够初步的对多个待分类的WIFI进行分类。
在一个可选的实施例中,所述计算模块202根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵包括:
根据所述经纬度数据计算任意两个待分类的WIFI的距离;
根据所述距离生成距离矩阵;
比较所述距离矩阵中的任意一个距离与预设距离阈值;
当所述距离矩阵中的任意一个距离大于或者等于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第一类别标识;
当所述距离矩阵中的任意一个距离小于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第二类别标识;
根据更新后的距离矩阵得到属性矩阵。
其中,所述距离可以是欧式距离,也可以是余弦夹角,曼哈顿距离,切比雪夫距离,幂距离等。距离越近,表示对应的两个WIFI的经纬度数据越相近,两个WIFI越属于同一类(私用WIFI类,或者,公用WIFI类);距离越远,表示对应的两个WIFI的经纬度数据越相离,两个WIFI越属于不同类。
其中,所述第一类别标识可以为1,所述第二类别标识可以为0。
所述生成模块203,用于根据所述属性矩阵生成多个属性拓扑图,其中,每个属性拓扑图中包括若干个待分类的WIFI。
所述属性矩阵中的元素为类别标识,将具有相同类别标识的元素对应的WIFI聚类在一起,生成属性拓扑图。
在一个可选的实施例中,所述生成模块203根据所述属性矩阵生成多个属性拓扑图包括:
获取所述属性矩阵为第一类别标识对应的两个第一WIFI,获取所述属性矩阵为第二类别标识对应的两个第二WIFI;
根据多个所述第一WIFI生成第一属性拓扑图及根据多个所述第二WIFI生成第二属性拓扑图,其中,所述第一属性拓扑图中的顶点为第一WIFI,所述第二属性拓扑图中的顶点为第二WIFI。
所述第一属性拓扑图中的两个顶点之间对应有第一类别标识,则在这两个顶点之间建立一条边。所述第二属性拓扑图中的两个顶点之间对应有第二类别标识,则在这两个顶点之间建立一条边。
根据所述属性矩阵生成多个属性拓扑图,能够实现对多个待分类的WIFI的初次分类,将具有同一类的WIFI分为一类,将具有不同类的WIFI分为不同的类。
所述分类模块204,用于将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签。
其中,私用-公用二分类模型为预先训练得到的,用以对待分类的WIFI的二次分类,判断待分类的WIFI为公用WIFI还是私用WIFI。
在一个可选的实施例中,所述分类模块204将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签包括:
对于每个属性拓扑图,将所述属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类得到每个待分类的WIFI的预测属性标签;
获取所述预测属性标签中具有相同的预测属性标签的目标属性标签;
计算所述目标属性标签的数量;
将最大数量的目标属性标签确定为所述属性拓扑图中的每个待分类的WIFI的属性标签。
由于同一个属性拓扑图对应的若干个待分类的WIFI具有相同的属性标签的概率较大,使用私用-公用二分类模型对若干个待分类的WIFI的服务集标识进行分类后,得到的若干个属性标签应该全部相同或者具有较大数量的相同。
所述分类模块204,还用于在所述计算所述目标属性标签的数量之后,判断最大数量的目标属性标签与对应的属性拓扑图是否匹配;当最大数量的目标属性标签与对应的属性拓扑图匹配时,将最大数量的目标属性标签确定为所述属性拓扑图中的每个待分类的WIFI的属性标签;当最大数量的目标属性标签与对应的属性拓扑图不匹配时,重新根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵,并根据重新生成的属性矩阵生成多个属性拓扑图直到最大数量的目标属性标签与对应的属性拓扑图匹配。
该可选的实施例中,通过属性拓扑图实现对多个待分类的WIFI的初步分类后,再通过私用-公用二分类模型对同一属性拓扑图中的若干个待分类的WIFI的二次分类得到属性标签,使用属性拓扑图反过来校验属性标签是否被正确分类,提高了属性标签的分类的正确率。
当使用属性拓扑图校验属性标签没有被正确分类时,重新根据所述经纬度数据计算任意两个待分类的WIFI的距离,此时的距离计算公式与前一次的距离计算公式不同。例如,第一次采用欧式距离计算,第二次采用余弦相似度计算。
在一个可选的实施例中,所述私用-公用二分类模型的训练过程包括:
获取多个属性标签为私用属性的WIFI的服务集标识及多个属性标签为公用的WIFI的服务集标识;
将服务集标识及对应的属性标签作为数据集,使用所述数据集训练支持向量机得到私用-公用二分类模型。
可以获取多个WIFI的服务集标识,采用标注工具对多个WIFI的服务集标识进行属性标签的标注,将标注有属性标签的多个WIFI的服务集标识作为训练私用-公用二分类模型的数据集。
所述定位模块205,用于获取所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI。
对私用WIFI的POI定位没有商业价值,因此,本发明仅对公用属性的WIFI进行POI的定位。
在一个可选的实施例中,所述定位模块205根据所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI包括:
调用预设第一搜索POI接口搜索与所述经纬度数据对应的多个第一POI;
调用预设第二搜索POI接口搜索与所述服务集标识及所述经纬度数据对应的多个第二POI;
将所述多个第一POI与所述多个第二POI进行匹配;
将所述多个第一POI与所述多个第二POI中具有相同的POI确定为目标POI;
确定所述目标POI为所述目标待分类的WIFI的POI。
对于筛选得到的公用Wi-Fi数据,可以调用预设第一搜索POI接口(例如,高德地图提供的“搜索POI”-“关键词搜索”的API),输入公用Wi-Fi对应的SSID以及其经纬度数据。对于一些公用WIFI由于SSID名称抽象、无意义等原因,无法推断出POI,则可以进一步调用预设第二搜索POI接口(例如,百度地图所提供的“搜索POI”-“周边搜索”的API),输入WIFI对应的经纬度数据,返回可能的POI。
通过SSID与经纬度数据地交叉验证,仅当两者都满足时才会返回数据,能够有效的保证搜索过程所返回的POI的正确性。
在返回POI信息时,不仅会返回POI的名称,还能返回POI所属多级分类等高质量信息。
所述推荐模块206,用于在所述根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI之后,计算具有相同POI的数量;获取最大数量对应的POI的名称;向所述用户推荐与所述名称对应的商品。
示例性的,假设同一个用户的多个待分类的WIFI为100个,通过结合属性拓扑图和私用-公用二分类模型对100个待分类的WIFI进行分类后,确定出30个公用的待分类的WIFI。这30个公用的待分类的WIFI有20个待分类的WIFI对应的POI为咖啡,则可以向用户推荐咖啡,实现了根据用户使用的WIFI向用户定向推荐商品的功能,提高了商品推荐的效率。
综上,本发明通过获取用户的多个待分类的WIFI的服务集标识及经纬度数据,根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵并根据所述属性矩阵生成多个属性拓扑图,实现了对多个待分类的WIFI的第一次分类;再通过将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签,实现了对多个待分类的WIFI的第二次分类,并结合属性拓扑图校验了私用-公用二分类模型的分类准确率,从而得到的属性标签的准确率较高,提高了后续定位待分类WIFI的POI的精确性;最后对于所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据交叉验证定位出POI,提高了POI的定位的精确性。
本发明可应用于智慧教育、智慧社区、智慧政务等场景中,从而推动智慧城市的建设。
需要强调的是,为进一步保证上述POI的私密性和安全性,上述POI可存储于区块链的节点中。
参阅图3所示,为本发明实施例三提供的计算机设备的结构示意图。在本发明较佳实施例中,所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的计算机设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述计算机设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的计算机设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述计算机设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31中存储有计算机程序,所述计算机程序被所述至少一个处理器32执行时实现如所述的基于人工智能的POI定位方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中,所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit),利用各种接口和线路连接整个计算机设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行计算机设备3的各种功能和处理数据。例如,所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的基于人工智能的POI定位方法的全部或者部分步骤;或者实现基于人工智能的POI定位装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processingunit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述计算机设备3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,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,计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于人工智能的POI定位方法,其特征在于,所述方法包括:
获取用户的多个待分类的WIFI的服务集标识及经纬度数据;
根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵,包括:根据所述经纬度数据计算任意两个待分类的WIFI的距离;根据所述距离生成距离矩阵;比较所述距离矩阵中的任意一个距离与预设距离阈值;当所述距离矩阵中的任意一个距离大于或者等于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第一类别标识;当所述距离矩阵中的任意一个距离小于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第二类别标识;根据更新后的距离矩阵得到属性矩阵;
根据所述属性矩阵生成多个属性拓扑图,其中,每个属性拓扑图中包括若干个待分类的WIFI;
将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签;
获取所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI。
2.如权利要求1所述的基于人工智能的POI定位方法,其特征在于,所述根据所述属性矩阵生成多个属性拓扑图包括:
获取所述属性矩阵为第一类别标识对应的两个第一WIFI,获取所述属性矩阵为第二类别标识对应的两个第二WIFI;
根据多个所述第一WIFI生成第一属性拓扑图及根据多个所述第二WIFI生成第二属性拓扑图,其中,所述第一属性拓扑图中的顶点为第一WIFI,所述第二属性拓扑图中的顶点为第二WIFI;所述第一属性拓扑图中的两个顶点之间对应有第一类别标识时,则在这两个顶点之间建立一条边;所述第二属性拓扑图中的两个顶点之间对应有第二类别标识时,则在这两个顶点之间建立一条边。
3.如权利要求1所述的基于人工智能的POI定位方法,其特征在于,所述将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签包括:
对于每个属性拓扑图,将所述属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类得到每个待分类的WIFI的预测属性标签;
获取所述预测属性标签中具有相同的预测属性标签的目标属性标签;
计算所述目标属性标签的数量;
将最大数量的目标属性标签确定为所述属性拓扑图中的每个待分类的WIFI的属性标签。
4.如权利要求3所述的基于人工智能的POI定位方法,其特征在于,在所述计算所述目标属性标签的数量之后,所述方法还包括:
判断最大数量的目标属性标签与对应的属性拓扑图是否匹配;
当最大数量的目标属性标签与对应的属性拓扑图匹配时,将最大数量的目标属性标签确定为所述属性拓扑图中的每个待分类的WIFI的属性标签;
当最大数量的目标属性标签与对应的属性拓扑图不匹配时,重新根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵,并根据重新生成的属性矩阵生成多个属性拓扑图直到最大数量的目标属性标签与对应的属性拓扑图匹配。
5.如权利要求1至4中任意一项所述的基于人工智能的POI定位方法,其特征在于,所述根据所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI包括:
调用预设第一搜索POI接口搜索与所述经纬度数据对应的多个第一POI;
调用预设第二搜索POI接口搜索与所述服务集标识及所述经纬度数据对应的多个第二POI;
将所述多个第一POI与所述多个第二POI进行匹配;
将所述多个第一POI与所述多个第二POI中具有相同的POI确定为目标POI;
确定所述目标POI为所述目标待分类的WIFI的POI。
6.如权利要求5所述的基于人工智能的POI定位方法,其特征在于,在所述根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI之后,所述方法还包括:
计算具有相同POI的数量;
获取最大数量对应的POI的名称;
向所述用户推荐与所述名称对应的商品。
7.一种基于人工智能的POI定位装置,其特征在于,所述装置包括:
获取模块,用于获取用户的多个待分类的WIFI的服务集标识及经纬度数据;
计算模块,用于根据所述经纬度数据计算所述多个待分类的WIFI的属性矩阵,包括:根据所述经纬度数据计算任意两个待分类的WIFI的距离;根据所述距离生成距离矩阵;比较所述距离矩阵中的任意一个距离与预设距离阈值;当所述距离矩阵中的任意一个距离大于或者等于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第一类别标识;当所述距离矩阵中的任意一个距离小于所述预设距离阈值时,更新所述距离矩阵的任意一个距离为第二类别标识;根据更新后的距离矩阵得到属性矩阵;
生成模块,用于根据所述属性矩阵生成多个属性拓扑图,其中,每个属性拓扑图中包括若干个待分类的WIFI;
分类模块,用于将每个属性拓扑图中的若干个待分类的WIFI的服务集标识输入私用-公用二分类模型中进行分类,并根据分类结果确定每个属性拓扑图中的每个待分类的WIFI的属性标签;
定位模块,用于获取所述属性标签为公用属性对应的多个目标待分类的WIFI,根据每个所述目标待分类的WIFI的服务集标识及经纬度数据定位出POI。
8.一种计算机设备,其特征在于,所述计算机设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6中任意一项所述基于人工智能的POI定位方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述基于人工智能的POI定位方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092085.2A CN112235714B (zh) | 2020-10-13 | 2020-10-13 | 基于人工智能的poi定位方法、装置、计算机设备及介质 |
PCT/CN2020/131521 WO2021174917A1 (zh) | 2020-10-13 | 2020-11-25 | 基于人工智能的poi定位方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092085.2A CN112235714B (zh) | 2020-10-13 | 2020-10-13 | 基于人工智能的poi定位方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112235714A CN112235714A (zh) | 2021-01-15 |
CN112235714B true CN112235714B (zh) | 2021-05-25 |
Family
ID=74113397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011092085.2A Active CN112235714B (zh) | 2020-10-13 | 2020-10-13 | 基于人工智能的poi定位方法、装置、计算机设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112235714B (zh) |
WO (1) | WO2021174917A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626453A (zh) * | 2022-03-10 | 2022-06-14 | 平安科技(深圳)有限公司 | 车辆识别方法、识别***、设备及介质 |
CN114781557B (zh) * | 2022-06-23 | 2022-09-09 | 展讯通信(上海)有限公司 | 图像信息获取方法及装置、计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110460955A (zh) * | 2019-07-12 | 2019-11-15 | 深圳数位传媒科技有限公司 | Poi定位方法与装置、存储介质及计算机设备 |
CN110781256A (zh) * | 2019-08-30 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 基于发送位置数据确定与Wi-Fi相匹配的POI的方法及装置 |
CN111597279A (zh) * | 2020-03-31 | 2020-08-28 | 平安科技(深圳)有限公司 | 基于深度学习的信息预测方法及相关设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9491645B2 (en) * | 2013-08-06 | 2016-11-08 | Google Technology Holdings LLC | Method and apparatus for wireless network data collection |
CN104573042B (zh) * | 2015-01-19 | 2018-02-02 | 小米科技有限责任公司 | Poi信息的确定方法及装置 |
CN106303955B (zh) * | 2016-08-05 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于对无线热点和poi进行匹配的方法和装置 |
US10568017B2 (en) * | 2018-03-30 | 2020-02-18 | AVAST Software s.r.o. | Enabling wireless security measures based on wireless access point attributes |
CN111460044B (zh) * | 2019-01-21 | 2023-06-30 | 阿里巴巴集团控股有限公司 | 地理位置数据处理方法及装置 |
CN110347777B (zh) * | 2019-07-17 | 2023-03-14 | 腾讯科技(深圳)有限公司 | 一种兴趣点poi的分类方法、装置、服务器及存储介质 |
CN110377846A (zh) * | 2019-07-25 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 社交关系挖掘方法、装置、存储介质和计算机设备 |
-
2020
- 2020-10-13 CN CN202011092085.2A patent/CN112235714B/zh active Active
- 2020-11-25 WO PCT/CN2020/131521 patent/WO2021174917A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110460955A (zh) * | 2019-07-12 | 2019-11-15 | 深圳数位传媒科技有限公司 | Poi定位方法与装置、存储介质及计算机设备 |
CN110781256A (zh) * | 2019-08-30 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 基于发送位置数据确定与Wi-Fi相匹配的POI的方法及装置 |
CN111597279A (zh) * | 2020-03-31 | 2020-08-28 | 平安科技(深圳)有限公司 | 基于深度学习的信息预测方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
Wi-Fi指纹聚类在室内感兴趣区域定位中的应用;王玙璠等;《计算机应用》;20160210(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021174917A1 (zh) | 2021-09-10 |
CN112235714A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3241370B1 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN110166943B (zh) | 终端位置信息的处理方法 | |
US20130205196A1 (en) | Location-based mobile application marketplace system | |
US20150006450A1 (en) | Iterative learning for reliable sensor sourcing systems | |
US10812988B1 (en) | Method and device for mapping ports of a network device | |
CN112235714B (zh) | 基于人工智能的poi定位方法、装置、计算机设备及介质 | |
CN106408252A (zh) | 呈现针对当前位置或时间的信息 | |
WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN109084795B (zh) | 基于地图服务的搜索服务设施的方法及装置 | |
CN106027693B (zh) | 基于ip地址的定位方法及装置 | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN114416900A (zh) | 一种轨迹停留点分析的方法和装置 | |
CN112052848B (zh) | 街区标注中样本数据的获取方法及装置 | |
CN114219023A (zh) | 数据聚类方法、装置、电子设备及可读存储介质 | |
CN112580881A (zh) | 营业网点选址方法、装置、计算机设备及存储介质 | |
Shahid et al. | Indoor positioning:“an image-based crowdsource machine learning approach” | |
Lee et al. | Path prediction method for effective sensor filtering in sensor registry system | |
CN111651452A (zh) | 数据存储方法、装置、计算机设备及存储介质 | |
CN110399361A (zh) | 一种信息处理的方法以及信息处理装置 | |
CN116094907A (zh) | 投诉信息的处理方法、装置及存储介质 | |
CN115271821A (zh) | 网点分布处理方法、装置、计算机设备及存储介质 | |
CN110136258B (zh) | 一种环境空间标识的确定方法、装置、设备及存储介质 | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN105163270B (zh) | 智能终端位置状态的识别方法及装置 | |
CN115604656B (zh) | 一种基于场景绑定的标签定位方法、***、电子设备 |
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 |