网格分区方法、装置、电子设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种网格分区方法、装置、电子设备及存储介质。


背景技术：

2.目前，在对辖区范围的案件管控时，对于管理人员的站位点测算通常依赖于业务部门的经验，例如，在目标案件较多的区域增加管理人力，在目标案件较少的区域减少管理人力，这一方式常常会造成网格分区管理不均衡，出现管理人员冗余等情况。因而，采用这种基于业务部门的经验进行管理员分配的网格分区管理方式，往往会使得对辖区范围内的目标案件的管控效率不高。因此，如何提供一种网格分区方法，能够每一区域的目标案件的管控效率，成为了亟待解决的技术问题。


技术实现要素：

3.本技术实施例的主要目的在于提出一种网格分区方法、装置、电子设备及存储介质，旨在提高每一区域的目标案件的管控效率。
4.为实现上述目的，本技术实施例的第一方面提出了一种网格分区方法，所述方法包括：
5.获取目标地图数据；所述目标地图数据包括原始区域；
6.根据预设的网格跨度和地理坐标系对所述原始区域进行网格划分，得到目标网格；
7.获取每一目标网格所产生的目标案件；
8.对所述目标案件进行位置信息提取，得到初始经纬度点集；
9.通过预设的案件聚类模型和案件聚类标签对所述初始经纬度点集进行聚类处理，得到多个案件类别簇及所述案件类别簇的中心网格点；
10.根据所述中心网格点和预获取的管理员基础数据进行巡检模拟，生成所述目标网格的分区管理数据。
11.在一些实施例，所述网格跨度包括经度跨度和纬度跨度，所述根据预设的网格跨度和地理坐标系对所述原始区域进行网格划分，得到目标网格的步骤，包括：
12.根据预设的经度跨度和纬度跨度对所述原始区域进行网格划分，得到初始网格；
13.根据所述地理坐标系对所述初始网格进行筛选处理，得到所述目标网格。
14.在一些实施例，所述对所述目标案件进行位置信息提取，得到初始经纬度点集的步骤，包括：
15.通过预设的序列分类器和特征类别标签对所述目标案件的实体特征进行标签分类处理，得到预设的位置标签对应的位置信息特征；
16.通过卷积层对所述位置信息特征进行卷积处理，得到所述初始经纬度点集。
17.在一些实施例，所述通过预设的案件聚类模型和案件聚类标签对所述初始经纬度
点集进行聚类处理，得到多个案件类别簇及所述案件类别簇的中心网格点的步骤，包括：
18.通过所述案件聚类模型的聚类算法、预设的权重参数以及所述案件聚类标签对所述初始经纬度点集中的初始经纬度点进行聚类处理，得到多个案件类别簇；
19.通过预设的第一函数计算每一所述案件类别簇的中心经纬度点，得到中心经纬度点集；
20.根据所述权重参数对所述中心经纬度点集进行筛选处理，得到目标经纬度点；
21.对所述目标经纬度点进行经纬度识别，得到所述中心网格点。
22.在一些实施例，所述根据所述中心网格点和预获取的管理员基础数据进行巡检模拟，生成所述目标网格的分区管理数据的步骤，包括：
23.通过预设的第二函数计算每一所述目标案件与所述中心网格点之间的第一距离值；
24.将所述第一距离值的最大值作为目标值；
25.通过预设的第三函数对所述案件类别簇的目标案件的案件数量进行统计，得到目标案件总量；
26.利用所述目标值、所述目标案件总量以及所述管理员基础数据进行巡检模拟，生成所述分区管理数据。
27.在一些实施例，在所述通过预设的案件聚类模型和案件聚类标签对所述初始经纬度点集进行聚类处理，得到多个案件类别簇及所述案件类别簇的中心网格点的步骤之后，所述方法还包括：
28.通过预设的第二函数计算每一所述目标案件与所述中心网格点的第二距离值；
29.根据预设的案件分配优先级，对大于或者等于预设距离阈值的第二距离值所对应的目标案件进行案件分配，得到案件分配数据集；
30.根据所述案件分配数据集对所述目标网格的管理员进行案件分配。
31.在一些实施例，在所述通过预设的案件聚类模型和案件聚类标签对所述初始经纬度点集进行聚类处理，得到多个案件类别簇及所述案件类别簇的中心网格点的步骤之前，所述方法还包括预先训练所述案件聚类模型，具体包括：
32.获取样本地图数据，其中样本地图数据包括样本区域；
33.根据所述网格跨度和所述地理坐标系对所述样本区域进行网格划分，得到样本网格；
34.获取每一样本网格的样本案件；
35.将所述样本案件的经纬度数据输入至初始模型；
36.通过所述初始模型和预设的参考网格计算每一样本网格的预估时间值；
37.根据所述预估时间值对所述初始模型的损失函数进行优化，以更新所述初始模型，得到所述案件聚类模型。
38.为实现上述目的，本技术实施例的第二方面提出了一种网格分区装置，所述装置包括：
39.目标地图获取模块，用于获取目标地图数据；所述目标地图数据包括原始区域；
40.网格划分模块，用于根据预设的网格跨度和地理坐标系对所述原始区域进行网格划分，得到目标网格；
41.目标案件获取模块，用于获取每一目标网格所产生的目标案件；
42.位置信息提取模块，用于对所述目标案件进行位置信息提取，得到初始经纬度点集；
43.聚类模块，用于通过预设的案件聚类模型和案件聚类标签对所述初始经纬度点集进行聚类处理，得到多个案件类别簇及所述案件类别簇的中心网格点；
44.模拟分析模块，用于根据所述中心网格点和预获取的管理员基础数据进行巡检模拟，生成所述目标网格的分区管理数据。
45.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
46.为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
47.本技术提出的网格分区方法、装置、电子设备及存储介质，其通过获取目标地图数据；目标地图数据包括原始区域；根据预设的网格跨度和地理坐标系对原始区域进行网格划分，得到目标网格，能够较为方便地对原始区域进行网格化管理；进而，获取每一目标网格的目标案件，对目标案件进行位置信息提取，得到初始经纬度点集。通过预设的案件聚类模型和案件聚类标签对初始经纬度点集进行聚类处理，得到多个案件类别簇及案件类别簇的中心网格点，能够根据目标案件所处目标网格以及目标案件的类别对每一目标案件进行聚类处理，得到多个案件类别簇，从而提高案件分配效率。最后根据中心网格点和预获取的管理员基础数据进行巡检模拟，生成目标网格的分区管理数据，能够有针对性地对不同的案件类别簇分配不同的管理员，提高对目标案件的管控效率和管控合理性。
附图说明
48.图1是本技术实施例提供的网格分区方法的流程图；
49.图2是图1中的步骤s102的流程图；
50.图3是图1中的步骤s104的流程图；
51.图4是本技术实施例提供的网格分区方法的另一流程图；
52.图5是图1中的步骤s105的流程图；
53.图6是本技术实施例提供的网格分区方法的另一流程图；
54.图7是图1中的步骤s106的流程图；
55.图8是本技术实施例提供的网格分区装置的结构示意图；
56.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
57.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
58.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
59.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技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
60.首先，对本技术中涉及的若干名词进行解析：
61.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
62.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
63.信息抽取(information extraction，ner)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
64.监督学习：监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。
65.地理坐标系(geographic coordinate system)，是使用三维球面来定义地球表面位置，以实现通过经纬度对地球表面点位引用的坐标系。一个地理坐标系包括角度测量单位、本初子午线和参考椭球体三部分。在球面系统中，水平线是等纬度线或纬线。垂直线是
等经度线或经线。地理坐标系可以确定地球上任何一点的位置。首先将地球抽象成一个规则的逼近原始自然地球表面的椭球体，称为参考椭球体，然后在参考椭球体上定义一系列的经线和纬线构成经纬网，从而达到通过经纬度来描述地表点位的目的。需要说明的是，经纬地理坐标系不是平面坐标系，因为度不是标准的长度单位，不可以用其直接量测面积长度。
66.经纬度：通常分为天文经纬度、大地经纬度和地心经纬度。常用的经度和纬度是从地心到地球表面上某点的测量角。通常以度或百分度为单位来测量该角度。
67.欧氏距离(euclidean metric)：也称为欧几里得度量，欧氏距离是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
68.聚类：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。
69.聚类中心(cluster center)：在聚类分析中的一个特殊样本。用来代表某一类，其他样本通过与它计算距离来决定是否属于该类。
70.分类器：常规任务是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、svm等常用于解决二分类问题，对于多分类问题(multi-class classification)，比如识别手写数字，它需要10个分类，同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax。
71.长短期记忆网络(lstm，long short-term memory)是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式。在标准rnn中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。lstm是一种含有lstm区块(blocks)或其他的一种类神经网络，文献或其他资料中lstm区块可能被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。
72.预计到达时间(estimated time of arrival，eta)：通常被用来告知某人在乘坐火车、公共汽车或航班后到达目的地的预计时间。除此之外，“eta”也可以用来表示邮寄信件、包裹的“预计收件时间”，和预约人见面的“预计来访时间”。
73.目前，在对辖区范围的案件管控时，对于管理人员的站位点测算通常依赖于业务部门的经验，例如，在目标案件较多的区域增加管理人力，在目标案件较少的区域减少管理人力，这一方式常常会造成网格分区管理不均衡，出现管理人员冗余等情况。因而，采用这种基于业务部门的经验进行管理员分配的网格分区管理方式，往往会使得对辖区范围内的目标案件的管控效率不高。因此，如何提供一种网格分区方法，能够每一区域的目标案件的管控效率，成为了亟待解决的技术问题。
74.基于此，本技术实施例提供了一种网格分区方法、装置、电子设备及存储介质，旨在提高对目标案件的管控效率和管控合理性。
75.本技术实施例提供的网格分区方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的网格分区方法。
76.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
77.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
78.本技术实施例提供的网格分区方法，涉及人工智能技术领域。本技术实施例提供的网格分区方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现网格分区方法的应用等，但并不局限于以上形式。
79.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
80.图1是本技术实施例提供的网格分区方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s106。
81.步骤s101，获取目标地图数据；目标地图数据包括原始区域；
82.步骤s102，根据预设的网格跨度和地理坐标系对原始区域进行网格划分，得到目标网格；
83.步骤s103，获取每一目标网格所产生的目标案件；
84.步骤s104，对目标案件进行位置信息提取，得到初始经纬度点集；
85.步骤s105，通过预设的案件聚类模型和案件聚类标签对初始经纬度点集进行聚类处理，得到多个案件类别簇及案件类别簇的中心网格点；
86.步骤s106，根据中心网格点和预获取的管理员基础数据进行巡检模拟，生成目标网格的分区管理数据。
87.本技术实施例所示意的步骤s101至步骤s106中，通过根据预设的网格跨度和地理
坐标系对原始区域进行网格划分，得到目标网格，能够较为方便地对原始区域进行网格化管理。通过预设的案件聚类模型和案件聚类标签对初始经纬度点集进行聚类处理，得到多个案件类别簇，能够根据目标案件所处目标网格以及目标案件的类别对每一目标案件进行聚类处理，得到多个案件类别簇及案件类别簇的中心网格点，从而提高案件分配效率。最后根据中心网格点和预获取的管理员基础数据进行巡检模拟，生成目标网格的分区管理数据，能够有针对性地对不同的案件类别簇分配不同的管理员，提高对目标案件的管控效率和管控合理性。
88.在一些实施例的步骤s101中，可以通过编写网络爬虫,设置好数据源之后进行有目的性地爬取数据，得到目标地图数据，其中，目标地图数据包括需要进行车险事故管辖的原始区域；也可以是从预设的地图数据库中调取目标地图数据，还可以是其他方式获取目标地图数据，不限于此。
89.请参阅图2，在一些实施例中，步骤s102可以包括但不限于包括步骤s201至步骤s202：
90.步骤s201，根据预设的经度跨度和纬度跨度对原始区域进行网格划分，得到初始网格；
91.步骤s202，根据地理坐标系对初始网格进行筛选处理，得到目标网格。
92.在一些实施例的步骤s201中，目标地图可以是全国地图，也可以是需要进行车险事故管辖的某一地图区域。在根据预设的网格跨度和地理坐标系统对原始区域进行划分时，可以根据数据管理的精细度，确定预设的网格跨度。该网格跨度包括经度跨度和纬度跨度。例如，根据数据管理的精细度，确定预设网格跨度中网格的经度跨度0.001
°
，纬度跨度均为0.001
°
，对原始区域进行等跨度网格划分，得到初始网格。
93.在一些实施例的步骤s202中，根据地理坐标系识别每一初始网格的实际坐标位置，通过gps或者北斗系统识别每一初始网格的地理形态，将对应着高架、高速、湖泊等，不能进行站位标记的初始网格进行剔除，以筛选出目标网格。例如，将这些不符合需求的初始网格(即对应着高架、高速、湖泊等，不能进行站位标记的初始网格)纳入同一个过滤网格集合，将这一过滤网格集合内的初始网格全部剔除，未被剔除的初始网格作为最终的目标网格。
94.在一些实施例的步骤s103中，可以通过网络爬虫等方式爬取数据，从多个预设的数据源中获取预设的时间段内的每一网格地图对应的目标案件，其中，目标案件主要为车险案件，例如，酒驾等多种情况下的交通事故，目标案件的案件信息主要包括车险案件的发生时间、发生地点、发生次数、经纬度数据、目标案件之间的物理距离等等。
95.请参阅图3，在一些实施例中，步骤s104可以包括但不限于包括步骤s301至步骤s302：
96.步骤s301，通过预设的序列分类器和特征类别标签对目标案件的实体特征进行标签分类处理，得到预设的位置标签对应的位置信息特征；
97.步骤s302，通过卷积层对位置信息特征进行卷积处理，得到初始经纬度点集。
98.具体地，在一些实施例的步骤s301中，利用预先训练的序列分类器和特征类别标签对目标案件的案件特征进行标记，使得这些案件特征都能够带上预设的标签，以便提高分类效率。其中，特征类别标签包括位置标签、案件类别标签等等，预先训练的序列分类器
可以是基于条件随机场算法(crf)的模型或者是基于双向长短时记忆算法(bi-lstm)的模型。例如，可以基于bi-lstm算法构建序列分类器，在基于bi-lstm算法的模型中,输入单词wi和字符嵌入，通过左到右的长短记忆和右向左的长短时记忆,使得在输出被连接的位置生成单一的输出层。序列分类器通过这一输出层可以将输入的案件特征直接传递到softmax分类器上,通过softmax分类器在预设的词性类别标签上创建一个概率分布，从而根据概率分布对案件特征进行标记分类，从带有多个类别标签的案件特征中识别出位置标签对应的位置信息特征。
99.在一些实施例的步骤s302中，通过卷积层对位置信息特征进行卷积处理，得到每一目标案件的经纬度数据，将这些经纬度数据纳入同一集合，得到初始经纬度点集。
100.请参阅图4，在一些实施例中，在步骤s105之前，该方法还包括预先训练案件聚类模型，具体包括：
101.步骤s401，获取样本地图数据，其中样本地图数据包括样本区域；
102.步骤s402，根据网格跨度和地理坐标系对样本区域进行网格划分，得到样本网格；
103.步骤s403，获取每一样本网格的样本案件；
104.步骤s404，将样本案件的经纬度数据输入至初始模型；
105.步骤s405，通过初始模型和预设的参考网格计算每一样本网格的预估时间值；
106.步骤s406，根据预估时间值对初始模型的损失函数进行优化，以更新初始模型，得到案件聚类模型。
107.在一些实施例的步骤s401中，可以通过编写网络爬虫,设置好数据源之后进行有目的性地爬取数据，得到样本地图数据，其中，样本地图数据包括需要进行车险事故管辖的样本区域；也可以是从预设的地图数据库中调取样本地图数据，还可以是其他方式获取样本地图数据，不限于此。
108.在一些实施例的步骤s402中，样本地图可以是全国地图，也可以是需要进行车险事故管辖的某一地图区域。在根据预设的网格跨度和地理坐标系统对样本区域进行划分时，可以根据数据管理的精细度，确定预设的网格跨度。该网格跨度包括经度跨度和纬度跨度。例如，根据数据管理的精细度，确定预设网格跨度中网格的经度跨度0.001
°
，纬度跨度均为0.001
°
，对样本区域进行等跨度网格划分，得到初始样本网格。进一步地，根据地理坐标系识别每一初始样本网格的实际坐标位置，通过gps或者北斗系统识别每一初始样本网格的地理形态，将对应着高架、高速、湖泊等，不能进行站位标记的初始样本网格进行剔除。例如，将这些不符合需求的初始样本网格纳入同一个网格集合，将这一网格集合内的初始样本网格进行剔除，将不处于这一网格集合的其他初始样本网格作为最终的样本网格。
109.在一些实施例的步骤s403中，可以通过网络爬虫等方式爬取数据，从多个预设的数据源中获取预设的时间段内的每一网格地图对应的样本案件，其中，样本案件主要为车险案件，例如，酒驾等多种情况下的交通事故，样本案件的案件信息主要包括车险案件的发生时间、发生地点、发生次数、经纬度数据、目标案件之间的物理距离等等。进一步地，对样本案件进行位置特征提取，得到样本案件的经纬度数据，该位置特征提取的过程与步骤s104的具体过程基本相同，此处不再赘述。
110.在一些实施例的步骤s404中，将样本案件的经纬度数据输入至初始模型中，其中，该初始模型为textcnn模型。
111.在一些实施例的步骤s405中，通过初始模型里的mysql函数计算每一样本网格与参考网格之间的距离值，并根据预设的速度值，计算出每一样本网格的预估时间值，该预估时间值主要指每一样本网格的eta时长，通过该eta时长来识别样本网格与参考网格的远近程度。
112.在一些实施例的步骤s406中，比较预估时间值与时间阈值的大小，根据预估时间值与时间阈值的大小关系，对初始模型的损失函数的模型损失进行反向传播，以对模型参数进行微调，使得预估时间值小于时间阈值，停止对初始模型的更新，得到最后的案件聚类模型。
113.请参阅图5，在一些实施例中，步骤s105还可以包括但不限于包括步骤s501至步骤s504：
114.步骤s501，通过案件聚类模型的聚类算法、预设的权重参数以及案件聚类标签对初始经纬度点集中的初始经纬度点进行聚类处理，得到多个案件类别簇；
115.步骤s502，通过预设的第一函数计算每一案件类别簇的中心经纬度点，得到中心经纬度点集；
116.步骤s503，根据权重参数对中心经纬度点集进行筛选处理，得到目标经纬度点；
117.步骤s504，对目标经纬度点进行经纬度识别，得到中心网格点。
118.在一些实施例的步骤s501中，根据案件聚类标签以及每一经纬度点对应的权重参数对每一初始经纬度点进行聚类处理，可以得到多个案件类别簇。例如，通过预设的聚类标签和k-means聚类算法将初始经纬度点集聚类为两簇(即两个案件类别)，分别为案件类别簇a和案件类别簇b。
119.在一些实施例的步骤s502中，通过softmax函数或者tanh函数等等计算每一案件类别簇的中心网格点。该中心网格点即每个案件类别簇的聚类中心。例如，在案件类别簇a中有3个初始经纬度点，分别为标记权重参数10的初始经纬度点p(40,75)、标记权重参数11的初始经纬度点q(42,80)及标记权重参数12的初始经纬度点r(44,85)，将p、q、r三个初始经纬度点进行标记权重参数平均及经纬度平均，得到标记权重参数为(10+11+12)/3＝11及经度为(40+42+44)/3＝42、纬度为(75+80+85)/3＝80的中心经纬度点，该中心经纬度点为标记权重参数为11的经纬度点(42,80)。通过上述过程，对每一案件类别簇的中心经纬度点进行汇总，得到中心经纬度点集。
120.在一些实施例的步骤s503中，根据权重参数的大小，选取中心经纬度点集中标记权重参数最大的中心经纬度点为目标中心经纬度点。例如：中心经纬度点集共有两个中心经纬度点，分别为标记权重参数15的中心经纬度点m(35,90)、标记权重参数12的中心经纬度点n(37,90)，由于权重参数15为中心经纬度点集中最大权重参数，因此中心经纬度点m为目标中心经纬度点。
121.在一些实施例的步骤s504中，为了降低数据计算的资源消耗，可以将二维的经纬度转变成一维数据，例如，利用geohash算法将目标经纬度点对应的经纬度转换为geohash值，得到目标编码值，从而，根据目标编码值所处的位置，确定中心网格点。具体地，通过geohash算法首先将经纬度变成二进制，再将经纬度进行合并，即经度占偶数位，纬度占奇数位，得到合并值。按照base32对合并值进行编码处理，得到目标编码值。
122.需要解释的是，geohash是一种地址编码方法，它能够将经纬度编码，把二维的空
间经纬度数据编码成一个字符串，将经纬度由二维数据变换为一维数据，从而实现地址位置分区。
123.请参阅图6，在一些实施例，在步骤s105之后，该方法还包括但不限于包括步骤s601至步骤s603：
124.步骤s601，通过预设的第二函数计算每一目标案件与中心网格点的第二距离值；
125.步骤s602，根据预设的案件分配优先级，对大于或者等于预设距离阈值的第二距离值所对应的目标案件进行案件分配，得到案件分配数据集；
126.步骤s603，根据案件分配数据集对目标网格的管理员进行案件分配。
127.在一些实施例的步骤s601中，通过mysql函数根据每一目标案件与中心网格点的经纬度坐标，计算目标案件与中心网格点之间的第二距离值。
128.在一些实施例的步骤s602和步骤s603中，为了提高管控效率，还可以预先设置案件分配优先级，将大于或者等于预设距离阈值的第二距离值对应的目标案件优先分配给距离最近的管理员，即对大于或者等于预设距离阈值的第二距离值对应的目标案件进行设置对应的案件分配对象(即距离最近的管理员)、以及生成该管理员到达目标案件的发生点的最优路径等数据，从而得到对应的案件分配数据。最后根据案件分配数据集的案件分配数据，对目标网格的管理员进行案件分配，并下发对应的调度指令，从而使得对应的管理员对这一系列的目标案件进行管控，提高了对目标案件的管控效率和管控合理性。
129.请参阅图7，在一些实施例中，步骤s106还可以包括但不限于包括步骤s701至步骤s704：
130.步骤s701，通过预设的第二函数计算每一目标案件与中心网格点之间的第一距离值；
131.步骤s702，将第一距离值的最大值作为目标值；
132.步骤s703，通过预设的第三函数对案件类别簇的目标案件的案件数量进行统计，得到目标案件总量；
133.步骤s704，利用目标值、目标案件总量以及管理员基础数据进行巡检模拟，生成分区管理数据。
134.在一些实施例的步骤s701和s702中，通过mysql函数根据每一目标案件与中心网格点的经纬度坐标，计算目标案件与中心网格点之间的第一距离值。通过对多个第一距离值的筛选，将第一距离值的最大值作为目标值。
135.在一些实施例的步骤s703中，通过sum函数对案件类别簇的目标案件的案件数量进行统计，得到目标案件总量。
136.在一些实施例的步骤s704中，预获取的管理员基础数据包括管理员的初始位置信息、管理员人数信息等等，根据目标值与预设的距离值、案件总量和预设的案件量阈值以及管理员的初始位置信息，通过蒙特卡洛算法模拟计算案件处理的过程，得到案件处理数据，从而根据案件处理数据对目标案件所属的目标网格的大小进行微调，以确保案件处理时间处于预设时间范围内。从而，根据微调之后的案件处理数据以及管理员的初始位置信息，生成管理员站位数据，该管理员站位数据包括管理员到达案件点的路径以及管理员对目标网格进行管理时的站位经纬度等等。
137.本技术实施例通过获取目标地图数据；目标地图数据包括原始区域；根据预设的
网格跨度和地理坐标系对原始区域进行网格划分，得到目标网格，能够较为方便地对原始区域进行网格化管理；进而，获取每一目标网格的目标案件，对目标案件进行位置信息提取，得到初始经纬度点集。通过预设的案件聚类模型和案件聚类标签对初始经纬度点集进行聚类处理，得到多个案件类别簇及案件类别簇的中心网格点，能够根据目标案件所处目标网格以及目标案件的类别对每一目标案件进行聚类处理，得到多个案件类别簇，从而提高案件分配效率。最后根据中心网格点和预获取的管理员基础数据进行巡检模拟，生成目标网格的分区管理数据，能够有针对性地对不同的案件类别簇分配不同的管理员，提高对目标案件的管控效率和管控合理性。
138.请参阅图8，本技术实施例还提供一种网格分区装置，可以实现上述网格分区方法，该装置包括：
139.目标地图获取模块801，用于获取目标地图数据；目标地图数据包括原始区域；
140.网格划分模块802，用于根据预设的网格跨度和地理坐标系对原始区域进行网格划分，得到目标网格；
141.目标案件获取模块803，用于获取每一目标网格所产生的目标案件；
142.位置信息提取模块804，用于对目标案件进行位置信息提取，得到初始经纬度点集；
143.聚类模块805，用于通过预设的案件聚类模型和案件聚类标签对初始经纬度点集进行聚类处理，得到多个案件类别簇及案件类别簇的中心网格点；
144.模拟分析模块806，用于根据中心网格点和预获取的管理员基础数据进行巡检模拟，生成目标网格的分区管理数据。
145.该网格分区装置的具体实施方式与上述网格分区方法的具体实施例基本相同，在此不再赘述。
146.本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述网格分区方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
147.请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
148.处理器901，可以采用通用的cpu(central processingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
149.存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的网格分区方法；
150.输入/输出接口903，用于实现信息输入及输出；
151.通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
152.总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通
信接口904)之间传输信息；
153.其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
154.本技术实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述网格分区方法。
155.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
156.本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
157.本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
158.以上所描述的装置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，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。
159.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
160.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
161.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
162.在本技术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，上述单元的划分，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，例如多个单元或组件可以结
合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
163.上述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单元来实现本实施例方案的目的。
164.另外，在本技术各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
165.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多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)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
166.以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。