[发明专利]基于大数据的对象识别方法、电子装置及存储介质

说明书

本发明涉及对象识别技术，提供了一种基于大数据的对象识别方法、电子装置及存储介质。该方法通过获取预设用户群的终端设备的位置信息后执行数据清洗操作，再筛选出属于预设时间段内的位置信息，对预设时间段内的位置信息执行聚类操作得到多个位置信息簇，将多个位置信息簇设置成对应的多个目标区域，分别获取各目标区域内的所有兴趣点的属性特征，对各所述目标区域进行标注生成样本集，将样本集输入随机森林模型中训练得到对象识别模型，接收用户发出的对象识别的请求，将待识别区域兴趣点的属性特征输入对象识别模型，得到待识别区域的识别结果。本发明通过对样本数据的处理，可以提高模型的泛化能力，从而提升对象识别的精准性。

技术领域

本发明涉及对象识别领域，尤其涉及一种基于大数据的对象识别方法、电子装置及存储介质。

背景技术

现有技术中，对象识别通常是根据对象的单一类型数据进行建模，利用模型对待识别的对象进行识别，例如，在传统的商圈识别方法中，通常是采集商圈的单一类型数据(例如，商圈的人流量)作为样本数据进行建模，以此对待识别的商圈进行识别。该方法因样本数据类型单一且缺乏对样本数据的处理，导致对象识别的准确率低。

发明内容

鉴于以上内容，本发明提供一种基于大数据的对象识别方法、电子装置及存储介质，其目的在于现有技术中因缺乏对样本数据的处理，导致的对象识别的准确率较低的问题。

为实现上述目的，本发明提供一种基于大数据的对象识别方法，该方法包括：

获取步骤：获取预设用户群的终端设备的位置信息，对所述位置信息的数据执行数据清洗操作，从执行数据清洗后的位置信息中筛选出属于预设时间段内的位置信息；

聚类步骤：基于预设算法对所述预设时间段内的位置信息执行聚类操作，得到多个位置信息簇，将所述多个位置信息簇设置成对应的多个目标区域，分别获取各目标区域内的所有兴趣点的属性特征；

训练步骤：利用预设的标注规则对各所述目标区域进行标注，基于标注后的目标区域及各目标区域内的所有兴趣点的属性特征生成样本集，将所述样本集输入随机森林模型中进行训练，得到对象识别模型；及

识别步骤：接收某个用户发出的对象识别请求，解析得到所述请求携带的待识别区域的兴趣点的属性特征，将所述待识别区域的兴趣点的属性特征输入所述对象识别模型，得到所述待识别区域的识别结果，并将所述识别结果反馈至所述用户。

优选的，所述预设时间段内的位置信息为LBS点，所述基于预设算法对所述预设时间段内的位置信息执行聚类操作包括：

设置各LBS点之间的密度半径，及所述密度半径内最小的LBS点的数量，基于所述密度半径及所述最小的LBS点的数量，从所有LBS点中迭代计算得到核心LBS点、密度可达的LBS点以及边缘LBS点，将得到的核心LBS点、密度可达的LBS点以及边缘LBS点聚集成位置信息簇。

优选的，所述将得到的核心LBS点、密度可达的LBS点以及边缘LBS点聚集成位置信息簇包括：

获取所述核心LBS点的密度可达的LBS点，利用所述迭代计算得到的密度可达的LBS点，更新所述核心LBS点对应的聚类簇，直至获取到所述核心LBS点的位置信息簇。

优选的，所述训练步骤包括：

将所述样本集按预设比例分为训练集及验证集；

利用所述训练集的样本数据对随机森林模型进行训练，以确定模型的具体参数；

利用所述验证集的样本数据来验证模型的准确率，当所述准确率达到预设阈值时结束训练，得到所述对象识别模型，当所述准确率未达到预设阈值时，继续增加样本数据对随机森林模型进行训练。

优选的，所述对所述位置信息的数据执行数据清洗操作包括：