CN104331502B - 针对快递员周边人群营销中快递员数据的识别方法 - Google Patents
针对快递员周边人群营销中快递员数据的识别方法 Download PDFInfo
- Publication number
- CN104331502B CN104331502B CN201410666023.6A CN201410666023A CN104331502B CN 104331502 B CN104331502 B CN 104331502B CN 201410666023 A CN201410666023 A CN 201410666023A CN 104331502 B CN104331502 B CN 104331502B
- Authority
- CN
- China
- Prior art keywords
- data
- courier
- positive
- negative
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 7
- 241001269238 Data Species 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 235000012054 meals Nutrition 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract description 11
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种针对快递员周边人群营销中快递员数据的识别方法，其首先从经分数据仓库和流量数据仓库中获取快递员用户基本信息、通信信息和位置信息，并关联形成事实宽表；对事实宽表中的多个样本数据进行正负样本分类，然后以相同正负样本比例将事实宽表中数据分为训练集、验证集；再对训练集正、负样本数据进行预处理，进而利用DTRA算法，生成快递员用户特征规则集，并依据特征规则验证验证集中的正、负样本用户；再利用DTRA算法生成潜在快递员数据；最后进行模型效果评估。本发明通过利用机器学习替代传统人工经验挖掘，提高数据挖掘的准确度，并基于分布式大数据处理平台，实现从传统数据库(Oracle)的抽样挖掘到全量数据挖掘，提升数据挖掘性能。
Description
技术领域
本发明涉及数据挖掘技术，特别是一种在针对快递员周边人群进行营销活动过程中，快递员数据的识别方法。
背景技术
在针对快递员周边人群进行营销活动时，首先要对快递员数据进行挖掘，进而得到其周边营销目标人群数据，其中快递员数据的识别挖掘方法一般为，从A口信令(在基站控制器BSC和移动业务交互中心MSC之间传送的控制面信令数据，例如：寻呼事件、位置更新事件、漫游事件等)中获取用户位置信息，从经分数据仓库获取用户语音话单、短信话单和用户基础资料，在传统Oracle数据库中通过用户手机号码将用户位置信息、语音话单信息、短信话单信息和用户基础资料关联起来，根据下面的算法识别出快递人员：
以“人为发现，经验挖掘”的方式，通过统计方法识别快递人员，具体为，
1、连续5天工作时间(早上8点到下午6点)在固定地点短时间内跟大量用户(阈值暂定20以上)发生短时间通话(小于一分钟)或者短信行为，确定问疑似快递人员；
2、小于18岁的或者大于50岁的不太可能是快递人员，排除；
3、人工方式录入快递人员，移动公司员工有网行为得到的快递人员可以录入到系统中；
4、对疑似快递人员通过外呼的方式确认；
上述数据挖掘方式，在传统数据库(Oracle)上识别快递人员的过程中，准确度、处理性能上具有如下缺陷：
1、识别准确度低，且无法把控：人为的制定规则来识别快递员，是通过经验一点一点积累，个人业务能力有限，无法保证较高的识别准确度；另外，人与人之间经验不同，靠经验去进行快递员识别，缺乏统一的、标准的算法，准确度无法保障。
2、性能低，且无法进行大数据挖掘：随着数据量的增加，数据间关联操作较多，通过传统数据库(Oracle)无法满足基本的数据挖掘分析。
发明内容
本发明要解决的技术问题为：通过利用机器学习替代传统人工经验挖掘，提高数据挖掘的准确度，并基于分布式大数据处理平台，实现从传统数据库(Oracle)的抽样挖掘到全量数据挖掘，提升数据挖掘性能。
本发明采取的技术手段具体为：一种针对快递员周边人群营销中快递员数据的识别方法，包括以下步骤：
1)从经分数据仓库中获取疑似快递员用户基本信息和通信信息；从流量数据仓库中获取疑似快递员用户位置信息，并关联形成一张包含多个疑似快递员用户信息的事实宽表；
2)将事实宽表中多个疑似快递员信息数据随机分为两部分：一部分为训练集，一部分为验证集，其中，
训练集中的样本数据按正、负样本比例1：2输入，所述正样本数据为已确定为快递员的用户，负样本数据为已确定非快递员的用户；
4)对训练集正、负样本数据进行预处理，清除其中的异常值、错值、空值；
5)以训练集中正、负样本数据对应的快递员用户特征为基础数据，利用分类算法中的决策树推理DTRA算法，生成快递员用户特征规则集，并找到判定是否为快递员的因素组合；
6)根据判定是否为快递员的影响因素确定验证集中的正、负样本用户；
7)利用DTRA算法，结合步骤5)中得到的因素组合，生成验证集中的潜在快递员数据标识；
8)模型效果评估：对原验证集中正负样本数据和步骤6)得到的验证集中正负样本数据，利用混淆矩阵方法公式：
真正率＝步骤6)验证结果中的正样本数目/原验证集中正样本的数目；
真负率＝步骤6)验证结果中的负样本数目/原验证集中负样本的数目；
评估真正率与真负率整体准确度是否达到要求：如准确度达到设定百分比则对步骤7)生成的潜在快递员数据标识进行输出；如准确度不能达到要求，则调整步骤5)中得到的因素组合中各因素相对应的参数值，然后重复步骤6)至步骤8)，直至模型准确度达到要求，输出最终潜在快递员数据标识。真正率与真负率整体准确度可定义为真正率与真负率的平均数，或真正率与真负率的乘积。
本发明中经分数据仓库是通过获取综合营帐、计费、客服和结算等系统的数据源，构建一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，为移动管理决策提供支持；经分数据仓库与流量数据仓库皆为移动系统的现有数据仓库。
DTRA算法为现有算法，其与其它分类算法如统计方法、神经网络等比较起来有如下优点：产生的分类规则易于理解，准确度较高。DTRA算法适于能够驻留于内存的数据集，当训练集无法在内存中容纳时，将报出异常。
DTRA算法分为训练和测试两个阶段，在构造模型之前，要求将数据集随机地分为训练数据集和测试数据集。在训练阶段，使用训练数据集，通过分析由属性描述的数据库元组来构造模型，假定每个元组属于一个预定义的类，由一个称作类标号属性的属性来确定。训练数据集中的单个元组也称作训练样本，一个具体样本的形式可为：(u1,u2,……un；c)；其中ui表示属性值，c表示类别。由于提供了每个训练样本的类标号，该阶段也称为有指导的学习，通常，模型用分类规则、判定树或数学公式的形式提供。在测试阶段，使用测试数据集来评估模型的分类准确度，如果认为模型的准确度可以接受，就可以用该模型对其它数据元组进行分类。本发明利用DTRA算法生成验证集和训练集中快递员用户特征或数据标识的步骤为现有技术。
在DTRA算法运用中重点关注自变量处理方法，包括：选取并评价自变量；通过RFM算法分析自变量与目标变量的关系，得出各自变量对因变量的重要程度，选取对因变量影响大的自变量，去除无影响的自变量；对自变量的相关性进行分析；以及通过相关性分析得出哪些自变量是强相关的，识别出冗余变量。
本发明在进行事实宽表数据获取时，所需获取的具体数据指标参考表1所示：
表1
从经分数据仓库中获取的用户基本信息包括用户编码、年龄、地市、区县、时段、品牌、套餐、手机号码和对端手机号码信息，通信信息包括通话次数和短信次数信息；从流量数据仓库中获取的位置信息包括LAC和CELL轨迹数据信息。
表1数据可选取某一正月中发生的用户行为数据，从中选取连续N天特定工作时间段，如：早上8点到下午6点之间，同一地点，短时间内跟大量用户(用户数量阈值可定为20)发生短时间通话行为，如通话时间小于一分钟，或者多短信行为，则该用户被认定为疑似快递人员。
从所创建的事实宽表数据中确定正负样本时，小于18岁的或者大于50岁的不太可能是快递人员，可判定为负样本数据，进而可予以删除。
本发明最终输出的快递员数据包括手机号码和快递员用户标识。在进行模型评估时，可利用现有的混淆矩阵方法，参考表2所示：
表2
真正率＝步骤6)验证结果中的正样本数目/原验证集中正样本的数目；
真负率＝步骤6)验证结果中的负样本数目/原验证集中负样本的数目；
根据业务目标、实际数据情况等设定挖掘的评价指标，同时对模型测算出来的指标进行比较评估模型是否有效。
本发明的步骤8)中，设定模型准确度百分比为85％，此预设值一方面保证快递员识别结果的准确度，同时也保障了识别效率。
本发明的有益效果为：实现了由人为经验挖掘向机器学习识别方式的转变，由单机计算到分布式集群计算的转变，解决了原有快递员识别的准确度低、性能不足问题。当应用于营销活动时，基于本发明高效获取的快递员数据，能够可靠获取到快递员周边人群的相关信息，如地址和手机号等等，方便营销活动的进行。
附图说明
图1所示为本发明方法流程示意图。
具体实施方式
以下结合附图和具体实施例进一步说明。
本发明针对快递员周边人群营销中快递员数据的识别方法，包括以下步骤：
1)从经分数据仓库中获取快递员用户基本信息和通信信息；从流量数据仓库中获取快递员用户位置信息，并关联形成一张包含多个疑似快递员用户信息的事实宽表；
2)将事实宽表中多个疑似快递员信息数据分为两部分一部分为训练集，一部分为验证集；
3)训练集中的样本数据按正、负样本比例1：2输入，其中正样本数据为已确定为快递员的移动用户，负样本数据为已确定非快递员的移动用户；
4)对训练集正、负样本数据进行预处理，清除异常值如：分钟内通话次数超过60次、错值如：手机号码长度大于11位、空值如：用户编码为0，避免这些参数对整体数据分析造成的准确度的影响；
5)利用分类算法中的决策树推理DTRA算法，生成快递员用户特征规则集，并找到判定是否为快递员的因素组合；
例如：大部分用户特征符合早晨8点或者晚上6点的同一时间、同一地点、通话次数大于8次、每次通话时长约2分钟，则判定因素组合为：时间、位置、行为因素；
6)根据判定是否为快递员的影响因素确定验证集中的正、负样本用户；
7)利用DTRA算法生成潜在快递员数据；
8)模型效果评估：对验证集数据和模型生成潜在快递员数据标识，利用混淆矩阵方法公式：真正率＝模型出来(经验证)的正数目/模型出来的正数目；
真负率＝模型出来(经验证)的负数目/模型出来的负数目，
评估整体模型准确度是否达到要求：如准确度达到设定百分比则对上述模型生成的潜在快递员数据标识进行输出；如准确度不能达到要求，则调整步骤5)中得到的因素组合中各因素相对应的参数值，然后重复步骤6)至步骤8)，直至模型准确度达到要求。如调整行为因素中的通话次数、通话时长等参数阀值。
本发明中经分数据仓库是通过获取综合营帐、计费、客服和结算等系统的数据源，构建一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，为移动管理决策提供支持；经分数据仓库与流量数据仓库皆为移动系统的现有数据仓库。
DTRA算法为现有算法，其与其它分类算法如统计方法、神经网络等比较起来有如下优点：产生的分类规则易于理解，准确度较高。DTRA算法适于能够驻留于内存的数据集，当训练集无法在内存中容纳时，将报出异常。
DTRA算法分为训练和测试两个阶段，在构造模型之前，要求将数据集随机地分为训练数据集和测试数据集。在训练阶段，使用训练数据集，通过分析由属性描述的数据库元组来构造模型，假定每个元组属于一个预定义的类，由一个称作类标号属性的属性来确定。训练数据集中的单个元组也称作训练样本，一个具体样本的形式可为：(u1,u2,……un；c)；其中ui表示属性值，c表示类别。由于提供了每个训练样本的类标号，该阶段也称为有指导的学习，通常，模型用分类规则、判定树或数学公式的形式提供。在测试阶段，使用测试数据集来评估模型的分类准确度，如果认为模型的准确度可以接受，就可以用该模型对其它数据元组进行分类。
在DTRA算法运用中重点关注自变量处理方法，包括：选取并评价自变量；通过RFM算法分析自变量与目标变量的关系，得出各自变量对因变量的重要程度，选取对因变量影响大的自变量，去除无影响的自变量；对自变量的相关性进行分析；以及通过相关性分析得出哪些自变量是强相关的，识别出冗余变量。
本发明在进行事实宽表数据获取时，所需获取的具体数据指标参考表1所示：
表1
从经分数据仓库中获取的用户基本信息包括用户编码、年龄、地市、区县、时段、品牌、套餐、手机号码和对端手机号码信息，通信信息包括通话次数和短信次数信息；从流量数据仓库中获取的位置信息包括LAC和CELL轨迹数据信息。
表1数据可选取某一正月中发生的用户行为数据，从中选取连续N天特定工作时间段，如：早上8点到下午6点之间，同一地点，短时间内跟大量用户(用户数量阈值可定为20)发生短时间通话行为，如通话时间小于一分钟，或者多短信行为，则该用户被认定为疑似快递人员。
从所创建的事实宽表数据中确定正负样本时，小于18岁的或者大于50岁的不太可能是快递人员，可判定为负样本数据，进而可予以删除。
本发明最终输出的快递员数据包括手机号码和快递员用户标识。在进行模型评估时，可利用现有的混淆矩阵方法，参考表2所示：
表2
真正率＝步骤6)验证结果中的正样本数目/原验证集中正样本的数目；
真负率＝步骤6)验证结果中的负样本数目/原验证集中负样本的数目；
根据业务目标、实际数据情况等设定挖掘的评价指标，同时对模型测算出来的指标进行比较评估模型是否有效。
本发明的步骤8中，设定模型准确度百分比为85％，此预设值一方面保证快递员识别结果的准确度，同时也保障了识别效率。
本发明通过利用机器学习替代传统人工经验挖掘，提高数据挖掘的准确度，并基于分布式大数据处理平台，实现从传统数据库(Oracle)的抽样挖掘到全量数据挖掘，提升数据挖掘性能。实现了由人为经验挖掘向机器学习识别方式的转变，由单机计算到分布式集群计算的转变，解决了原有快递员识别的准确度低、性能不足问题。
Claims (2)
1.针对快递员周边人群营销中快递员数据的识别方法，其特征是，包括以下步骤：
1)从经分数据仓库中获取疑似快递员用户基本信息和通信信息；从流量数据仓库中获取疑似快递员用户位置信息，并关联形成一张包含多个疑似快递员用户信息的事实宽表；从经分数据仓库中获取的用户基本信息包括用户编码、年龄、地市、区县、时段、品牌、套餐、手机号码和对端手机号码信息，通信信息包括通话次数和短信次数信息；从流量数据仓库中获取的位置信息包括LAC和CELL轨迹数据信息；
2)将事实宽表中多个疑似快递员信息数据随机分为两部分：一部分为训练集，一部分为验证集；
3)训练集中的样本数据按正、负样本比例1:2输入，所述正样本数据为已确定为快递员的用户，负样本数据为已确定非快递员的用户；
4)对训练集正、负样本数据进行预处理，清除其中的异常值、错值、空值；
5)以训练集中正、负样本数据对应的快递员用户特征为基础数据，利用分类算法中的决策树推理算法，生成快递员用户特征规则集，并找到判定是否为快递员的因素组合；
6)根据判定是否为快递员的影响因素确定验证集中的正、负样本用户；
7)利用决策树推理算法，结合步骤5)中得到的因素组合，生成验证集中的潜在快递员数据标识；
8)模型效果评估：对原验证集中正负样本数据和步骤6)得到的验证集中正负样本数据，利用混淆矩阵方法公式：
真正率＝步骤6)验证结果中的正样本数目/原验证集中正样本的数目；
真负率＝步骤6)验证结果中的负样本数目/原验证集中负样本的数目；
评估真正率与真负率整体准确度是否达到要求：如准确度达到设定百分比则对步骤7)生成的潜在快递员数据标识进行输出；如准确度不能达到要求，则调整步骤5)中得到的因素组合中各因素相对应的参数值，然后重复步骤6)至步骤8)，直至模型准确度达到要求。
2.根据权利要求1所述的方法，其特征是，步骤8)中，设定模型准确度百分比为85％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410666023.6A CN104331502B (zh) | 2014-11-19 | 2014-11-19 | 针对快递员周边人群营销中快递员数据的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410666023.6A CN104331502B (zh) | 2014-11-19 | 2014-11-19 | 针对快递员周边人群营销中快递员数据的识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104331502A CN104331502A (zh) | 2015-02-04 |
| CN104331502B true CN104331502B (zh) | 2018-04-03 |
Family
ID=52406229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410666023.6A Active CN104331502B (zh) | 2014-11-19 | 2014-11-19 | 针对快递员周边人群营销中快递员数据的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104331502B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570014B (zh) * | 2015-10-09 | 2020-09-25 | 阿里巴巴集团控股有限公司 | 用于确定用户的家庭属性信息的方法与设备 |
| CN105488107A (zh) * | 2015-11-20 | 2016-04-13 | 天津大学 | 一种推荐系统的线下评价方法 |
| CN107770734B (zh) * | 2016-08-18 | 2021-03-02 | 中国移动通信集团安徽有限公司 | 移动用户常驻地识别方法及装置 |
| CN108734327A (zh) * | 2017-04-20 | 2018-11-02 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及服务器 |
| CN107679734A (zh) * | 2017-09-27 | 2018-02-09 | 成都四方伟业软件股份有限公司 | 一种用于无标签数据分类预测的方法和系统 |
| CN108364192B (zh) * | 2018-01-16 | 2022-10-18 | 创新先进技术有限公司 | 一种用户挖掘方法、装置以及电子设备 |
| CN108198075A (zh) * | 2018-03-28 | 2018-06-22 | 东莞市波动赢机器人科技有限公司 | 基于自主学习的机器人训练方法 |
| CN110728289B (zh) * | 2018-07-16 | 2022-06-03 | 中移动信息技术有限公司 | 一种家庭宽带用户的挖掘方法及设备 |
| CN111612040B (zh) * | 2020-04-24 | 2024-04-30 | 平安直通咨询有限公司上海分公司 | 基于孤立森林算法的财务数据异常检测方法及相关装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7248160B2 (en) * | 2005-04-22 | 2007-07-24 | Pinpoint Logistics Systems, Inc. | Computerized indelible tracking system |
| CN101075303A (zh) * | 2006-05-18 | 2007-11-21 | 河北全通通信有限公司 | 一种预测新业务潜在用户的数据挖掘模型 |
| CN101383872B (zh) * | 2008-10-22 | 2011-03-16 | 中国移动通信集团福建有限公司 | 通信行业基于数据仓库的飞机乘坐客户筛选的方法 |
| CN101383037A (zh) * | 2008-10-22 | 2009-03-11 | 中国移动通信集团福建有限公司 | 通信行业基于数据仓库的酒店入住客户筛选的方法 |
| CN101414377A (zh) * | 2008-10-22 | 2009-04-22 | 中国移动通信集团福建有限公司 | 通信行业基于数据仓库的民生信息筛选的方法 |
| CN103714445A (zh) * | 2013-12-30 | 2014-04-09 | 金蝶软件（中国）有限公司 | 一种通信方法以及相关服务器 |
-
2014
- 2014-11-19 CN CN201410666023.6A patent/CN104331502B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 基于数据挖掘技术的个人客户识别模型的研究及应用;马晓峰;《中国优秀硕士学位论文全文数据库信息科技辑》;20120415;第2012年卷(第4期);I138-1561页 * |
| 数据挖掘技术在高校招生录取数据中的应用研究;詹柳春;《中国优秀硕士学位论文全文数据库信息科技辑》;20140115;第2014年卷(第1期);I138-1569页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104331502A (zh) | 2015-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104331502B (zh) | 针对快递员周边人群营销中快递员数据的识别方法 | |
| CN107861942B (zh) | 一种基于深度学习的电力疑似投诉工单识别方法 | |
| CN108154430A (zh) | 一种基于机器学习和大数据技术的信用评分构建方法 | |
| CN105184315A (zh) | 一种质检处理方法及系统 | |
| Sundar | A comparative study for predicting students academic performance using Bayesian network classifiers | |
| CN109034861A (zh) | 基于移动端日志行为数据的用户流失预测方法及装置 | |
| CN110147389B (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
| CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
| CN111310803B (zh) | 环境数据处理方法和装置 | |
| CN111476296A (zh) | 样本生成方法、分类模型训练方法、识别方法及对应装置 | |
| CN111510368B (zh) | 家庭群组识别方法、装置、设备及计算机可读存储介质 | |
| CN107730158A (zh) | 电网项目智能化评审方法及系统 | |
| CN106600046A (zh) | 基于多分类器融合的土地闲置预测方法及装置 | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| CN112883062A (zh) | 一种不基于规则的自定义规则稽查方法 | |
| CN109919675A (zh) | 基于神经网络的通讯用户升档预测概率识别方法及系统 | |
| CN117094688B (zh) | 一种供电所数字化管控方法及系统 | |
| CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
| WO2021129368A1 (zh) | 一种客户类型的确定方法及装置 | |
| CN109658148B (zh) | 一种基于自然语言处理技术的营销活动投诉风险预测方法 | |
| CN109634968A (zh) | 一种基于大数据及人工智能的数据处理方法及系统 | |
| CN113010754B (zh) | 目标行为识别系统 | |
| Singh et al. | Comparative Analysis of Classification Models for Predicting Quality of Air | |
| CN113807462A (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
| CN111178647B (zh) | 一种推送工单的方法、系统及计算机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Lei Inventor after: Feng Xianhong Inventor before: Liu Lei |
|
| COR | Change of bibliographic data | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20161209 Address after: Star City Hangzhou city Zhejiang province 310051 Binjiang District West Street Jiangling Road No. 2028 building 3 Applicant after: Hangzhou Yaxin Software Co.,Ltd. Address before: 210013 Jiangsu city of Nanjing province dinghuai Gate No. 12 Building No. 16 Applicant before: ASIAINFO TECHNOLOGY (NANJING) CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240909 Address after: 100193 Room 101, 1 / F, building 19, East District, yard 10, northwest Wangdong Road, Haidian District, Beijing Patentee after: ASIAINFO TECHNOLOGIES (CHINA), Inc. Country or region after: China Address before: Building 3, Xingyao City, No. 2028 Jiangling Road, Xixing Street, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee before: Hangzhou Yaxin Software Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |