CN107203579A - 基于用户打车数据的休息日分类方法及装置 - Google Patents
基于用户打车数据的休息日分类方法及装置 Download PDFInfo
- Publication number
- CN107203579A CN107203579A CN201610159762.5A CN201610159762A CN107203579A CN 107203579 A CN107203579 A CN 107203579A CN 201610159762 A CN201610159762 A CN 201610159762A CN 107203579 A CN107203579 A CN 107203579A
- Authority
- CN
- China
- Prior art keywords
- day
- taxi
- user
- data
- target
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于用户打车数据的休息日分类方法及装置,该方法包括根据预设时间内的用户打车历史数据建立休息日分类模型;接收待分类的目标日的用户打车数据;根据所述目标日的用户打车数据建立目标日向量;根据所述目标日向量与所述休息日样本向量的第一相似度和所述目标日向量与所述工作日样本向量的第二相似度的比较结果判断所述目标日是否是休息日。本发明所提供的基于用户打车数据的休息日分类方法及装置,根据预设时间内的用户打车历史数据建立休息日分类模型,可以实现根据目标日的用户打车数据判断该目标日是否是休息日,进而可以为后续用户打车数据挖掘提供基础,提高对用户的出行规律获取的科学性和准确性。
Description
技术领域
本发明涉及数据挖掘技术领域,尤其涉及一种基于用户打车数据的休息日分类方法及装置。
背景技术
随着城市的发展、人口规模的扩大,人类社会活动也变得更加多元化,极大程度上增加了社会各个阶层人士对打车的普遍需求。在此情况下,如果能够利用打车系统中用户的打车数据进行数据挖掘,得出用户的出行规律,必将为打车软件的研发带来新鲜的血液,并为该打车软件所属企业抢占打车市场的战略优势。
可以理解的是,用户的打车活动与休息日是有着密切关系的。而法定的节假日却可能并不是休息日。如果在日历上记载的节假日这一天,大多数的人民群众需要上班,那么这一天对于打车软件来说应当被划分为工作日,而不是休息日,例如元宵节、教师节以及儿童节等。
因此,如果不考虑休息日对用户打车出行活动的影响,将会降低对用户的出行规律获取的科学性和准确性。
发明内容
本发明所要解决的技术问题是:如何提供一种基于用户打车数据的休息日分类方法,解决现有的获取用户的出行规律的方法的科学性和准确性低的问题。
为此目的,本发明一方面提出了一种基于用户打车数据的休息日分类方法,所述方法包括:
根据预设时间内的用户打车历史数据建立休息日分类模型;
其中,所述休息日分类模型包括休息日样本向量和工作日样本向量;
接收待分类的目标日的用户打车数据;
根据所述目标日的用户打车数据建立目标日向量;
根据所述目标日向量与所述休息日样本向量的第一相似度和所述目标日向量与所述工作日样本向量的第二相似度的比较结果判断所述目标日是否是休息日。
可选地,所述根据预设时间内的用户打车历史数据建立休息日分类模型,包括:
根据所述预设时间段内每一天的用户打车历史数据分别构建所述每一天对应的一个第一N维向量;
其中,所述N为根据打车数据的统计周期确定的整数;
根据所述预设时间段内每一天的用户打车历史数据分别绘制所述每一天对应的一幅打车历史数据曲线图;
获取所述每一天对应的一幅打车历史数据曲线图的休息日标定结果;
分别根据所述标定结果对应的所有休息日向量和所有工作日向量通过归一化处理方法确定一个N维的所述休息日样本向量和一个N维的所述工作日样本向量。
可选地,所述打车历史数据的最小统计周期为1秒。
可选地,所述根据所述目标日的用户打车数据建立目标日向量,包括:
根据所述目标日的用户打车数据生成一个N维的所述目标日向量。
可选地,所述第一相似度和第二相似度的计算方法相同,所述计算方法包括:
内积方法、Dice系数方法、Jaccard系数方法以及虚线系数方法。
可选地,所述根据预设时间内的用户打车历史数据建立休息日分类模型之前,所述方法包括:
从打车平台的数据中获取所述预设时间段内的用户打车历史数据样本。
可选地,所述根据预设时间内的用户打车历史数据建立休息日分类模型之后,所述方法还包括:
将所述休息日分类模型封装成应用程序接口;
其中,所述应用程序接口的输入端用于接收所述目标日的用户打车数据,所述应用程序接口的输出端用于输出所述目标日的休息日分类结果。
另一方面,本发明还提供了一种基于用户打车数据的休息日分类装置,包括:
模型建立单元,用于根据预设时间内的用户打车历史数据建立休息日分类模型;
其中,所述休息日分类模型包括休息日样本向量和工作日样本向量;
接收单元,用于接收待分类的目标日的用户打车数据;
目标日向量建立单元,用于根据所述目标日的用户打车数据建立目标日向量
判断单元,用于根据所述目标日向量与所述休息日样本向量的第一相似度和所述目标日向量与所述工作日样本向量的第二相似度的比较结果判断所述目标日是否是休息日。
可选地,所述模型建立单元,进一步用于:
根据所述预设时间段内每一天的用户打车历史数据分别构建所述每一天对应的一个第一N维向量;
其中,所述N为根据打车数据的统计周期确定的整数;
根据所述预设时间段内每一天的用户打车历史数据分别绘制所述每一天对应的一幅打车历史数据曲线图;
获取所述每一天对应的一幅打车历史数据曲线图的休息日标定结果;
分别根据所述标定结果对应的所有休息日向量和所有工作日向量通过归一化处理方法确定一个N维的所述休息日样本向量和一个N维的所述工作日样本向量。
可选地,所述目标日向量建立单元,进一步用于:
根据所述目标日的用户打车数据生成一个N维的所述目标日向量。
可选地,所述装置还包括:
获取单元,用于从打车平台的数据中获取所述预设时间段内的用户打车历史数据样本。
可选地,所述装置还包括:
封装单元,用于将所述休息日分类模型封装成应用程序接口;
其中,所述应用程序接口的输入端用于接收所述目标日的用户打车数据,所述应用程序接口的输出端用于输出所述目标日的休息日分类结果。
本发明所提供的基于用户打车数据的休息日分类方法及装置,根据预设时间内的用户打车历史数据建立休息日分类模型,可以实现根据目标日的用户打车数据判断该目标日是否是休息日,进而可以为后续用户打车数据挖掘提供基础,提高对用户的出行规律获取的科学性和准确性。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1是本公开一实施例提供的基于用户打车数据的休息日分类方法的流程示意图;
图2是本公开另一实施例提供的建立休息日分类模型的步骤的流程示意图;
图3是本公开一实施例提供的基于用户打车数据的休息日分类装置的结构框图;
图4是本公开另一实施例提供的基于用户打车数据的休息日分类装置的结构框图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1是本公开一实施例提供的基于用户打车数据的休息日分类方法的流程示意图;如图1所示,所述方法包括:
S1:根据预设时间内的用户打车历史数据建立休息日分类模型;
其中,所述休息日分类模型包括休息日样本向量和工作日样本向量;
S2:接收待分类的目标日的用户打车数据;
S3:根据所述目标日的用户打车数据建立目标日向量;
S4:根据所述目标日向量与所述休息日样本向量的第一相似度和所述目标日向量与所述工作日样本向量的第二相似度的比较结果判断所述目标日是否是休息日。
可以理解的是,用户打车数据包括打车平台中所记录的用户打车订单量以及订单产生的时间等数据。
本实施例所提供的基于用户打车数据的休息日分类方法,根据预设时间内的用户打车历史数据建立休息日分类模型,可以实现根据目标日的用户打车数据判断该目标日是否是休息日,进而可以为后续用户打车数据挖掘提供基础,提高对用户的出行规律获取的科学性和准确性。
图2是本公开另一实施例提供的建立休息日分类模型的步骤的流程示意图;如图2所示,在上述实施例的基础上,步骤S1:根据预设时间内的用户打车历史数据建立休息日分类模型,可进一步包括:
S11:根据所述预设时间段内每一天的用户打车历史数据分别构建所述每一天对应的一个第一N维向量;
其中,所述N为根据打车数据的统计周期确定的整数;
S12:根据所述预设时间段内每一天的用户打车历史数据分别绘制所述每一天对应的一幅打车历史数据曲线图;
S13:获取所述每一天对应的一幅打车历史数据曲线图的休息日标定结果;
S14:分别根据所述标定结果对应的所有休息日向量和所有工作日向量通过归一化处理方法确定一个N维的所述休息日样本向量和一个N维的所述工作日样本向量。
具体来说,该归一化处理方法即通过计算多个相同维度向量的对应元素的平均值,并以各个平均值构成一个新的向量。
作为本实施例的优选,打车历史数据的最小统计周期的为1秒。可以理解的是,本实施例的打车历史数据的最小统计周期即为每次打车历史数据统计的最小时间间隔。例如,若选取1秒作为打车历史数据的最小统计周期,一天24小时共有86400秒,即N为86400。
在此基础上,上述步骤S3可优选地包括:
S31:根据所述目标日的用户打车数据生成一个N维的所述目标日向量;
上述实施例中的第一相似度和第二相似度可以运用相同的方法进行计算,例如内积方法、Dice系数方法、Jaccard系数方法以及虚线系数方法等等,本实施例对此不进行限定。
以内积方法为例,具体计算过程如下:
工作日样本向量为:W1={Z1,Z2,Z3,……,ZN};
休息日样本向量为:W2={Y1,Y2,Y3,……,YN};根据目标日的用户打车数据生成的第二N维向量为:X={X1,X2,X3,……,X86400};
则,第一相似度的计算公式为:
第二相似度的计算公式为:
作为上述所有实施例的优选,步骤S1之前,所述的方法还可以包括:
S0:从打车平台的数据中获取所述预设时间段内的用户打车历史数据样本。例如,可以基于结构化查询语言SQL环境从打车平台的数据中获取所述预设时间段内的用户打车历史数据样本,本实施例对此不做限定。
进一步地,步骤S1之后,所述的方法还可以包括:
S1’:将所述休息日分类模型封装成应用程序接口;
其中,所述应用程序接口的输入端用于接收所述目标日的用户打车数据,所述应用程序接口的输出端用于输出所述目标日的休息日分类结果。
具体地,可以基于beego框架实现将所述休息日分类模型封装成应用程序接口,本方案对此不进行限定。
本实施例所提供的基于用户打车数据的休息日分类方法,提供了休息日分类模型的更具体的建立方案,建立过程步骤简单,可以高质量的实现根据目标日的用户打车数据判断该目标日是否是休息日,为后续用户打车数据挖掘提供基础,进一步提高对用户的出行规律获取的科学性和准确性。
图3是本公开一实施例提供的基于用户打车数据的休息日分类装置的结构框图;如图3所示,所述装置包括:
模型建立单元10,用于根据预设时间内的用户打车历史数据建立休息日分类模型;
其中,所述休息日分类模型包括休息日样本向量和工作日样本向量;
接收单元20,用于接收待分类的目标日的用户打车数据;
目标日向量建立单元30,用于根据所述目标日的用户打车数据建立目标日向量;
判断单元40,用于根据所述目标日向量与所述休息日样本向量的第一相似度和所述目标日向量与所述工作日样本向量的第二相似度的比较结果判断所述目标日是否是休息日。
本实施例所述的装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
模型建立单元10可进一步用于:
根据所述预设时间段内每一天的用户打车历史数据分别构建所述每一天对应的一个第一N维向量;
其中,所述N为根据打车数据的统计周期确定的整数;
根据所述预设时间段内每一天的用户打车历史数据分别绘制所述每一天对应的一幅打车历史数据曲线图;
获取所述每一天对应的一幅打车历史数据曲线图的休息日标定结果;
分别根据所述标定结果对应的所有休息日向量和所有工作日向量通过归一化处理方法确定一个N维的所述休息日样本向量和一个N维的所述工作日样本向量。
作为本实施例的优选,目标日向量建立单元30可进一步用于:
根据所述目标日的用户打车数据生成一个N维的所述目标日向量。
图4是本公开另一实施例提供的基于用户打车数据的休息日分类装置的结构框图;如图4所示,所述的装置还可以包括:
获取单元50,用于基于结构化查询语言SQL环境从打车平台的数据中获取所述预设时间段内的用户打车历史数据样本。
在此基础上,上述装置还可以包括:
封装单元60,用于将所述休息日分类模型封装成应用程序接口;
其中,所述应用程序接口的输入端用于接收所述目标日的用户打车数据,所述应用程序接口的输出端用于输出所述目标日的休息日分类结果。
本实施例所述的装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
应当注意的是,在本公开的系统的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本公开不受限于此,可以根据需要对各个部件进行重新划分或者组合,例如,可以将一些部件组合为单个部件,或者可以将一些部件进一步分解为更多的子部件。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的系统中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本公开,而并非对本公开的限制,有关技术领域的普通技术人员,在不脱离本公开的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本公开的范畴,本公开的专利保护范围应由权利要求限定。
Claims (12)
1.一种基于用户打车数据的休息日分类方法,其特征在于,包括:
根据预设时间内的用户打车历史数据建立休息日分类模型;
其中,所述休息日分类模型包括休息日样本向量和工作日样本向量;
接收待分类的目标日的用户打车数据;
根据所述目标日的用户打车数据建立目标日向量;
根据所述目标日向量与所述休息日样本向量的第一相似度和所述目标日向量与所述工作日样本向量的第二相似度的比较结果判断所述目标日是否是休息日。
2.根据权利要求1所述的方法,其特征在于,所述根据预设时间内的用户打车历史数据建立休息日分类模型,包括:
根据所述预设时间段内每一天的用户打车历史数据分别构建所述每一天对应的一个第一N维向量;
其中,所述N为根据打车数据的统计周期确定的整数;
根据所述预设时间段内每一天的用户打车历史数据分别绘制所述每一天对应的一幅打车历史数据曲线图;
获取所述每一天对应的一幅打车历史数据曲线图的休息日标定结果;
分别根据所述标定结果对应的所有休息日向量和所有工作日向量通过归一化处理方法确定一个N维的所述休息日样本向量和一个N维的所述工作日样本向量。
3.根据权利要求2所述的方法,其特征在于,所述打车历史数据的最小统计周期为1秒。
4.根据权利要求2所述的方法,其特征在于,所述根据所述目标日的用户打车数据建立目标日向量,包括:
根据所述目标日的用户打车数据生成一个N维的所述目标日向量。
5.根据权利要求4所述的方法,其特征在于,所述第一相似度和第二相似度的计算方法相同,所述计算方法包括:
内积方法、Dice系数方法、Jaccard系数方法以及虚线系数方法。
6.根据权利要求1所述的方法,其特征在于,所述根据预设时间内的用户打车历史数据建立休息日分类模型之前,所述方法包括:
从打车平台的数据中获取所述预设时间段内的用户打车历史数据样本。
7.根据权利要求1所述的方法,其特征在于,所述根据预设时间内的用户打车历史数据建立休息日分类模型之后,所述方法还包括:
将所述休息日分类模型封装成应用程序接口;
其中,所述应用程序接口的输入端用于接收所述目标日的用户打车数据,所述应用程序接口的输出端用于输出所述目标日的休息日分类结果。
8.一种基于用户打车数据的休息日分类装置,其特征在于,包括:
模型建立单元,用于根据预设时间内的用户打车历史数据建立休息日分类模型;
其中,所述休息日分类模型包括休息日样本向量和工作日样本向量;
接收单元,用于接收待分类的目标日的用户打车数据;
目标日向量建立单元,用于根据所述目标日的用户打车数据建立目标日向量
判断单元,用于根据所述目标日向量与所述休息日样本向量的第一相似度和所述目标日向量与所述工作日样本向量的第二相似度的比较结果判断所述目标日是否是休息日。
9.根据权利要求8所述的装置,其特征在于,所述模型建立单元,进一步用于:
根据所述预设时间段内每一天的用户打车历史数据分别构建所述每一天对应的一个第一N维向量;
其中,所述N为根据打车数据的统计周期确定的整数;
根据所述预设时间段内每一天的用户打车历史数据分别绘制所述每一天对应的一幅打车历史数据曲线图;
获取所述每一天对应的一幅打车历史数据曲线图的休息日标定结果;
分别根据所述标定结果对应的所有休息日向量和所有工作日向量通过归一化处理方法确定一个N维的所述休息日样本向量和一个N维的所述工作日样本向量。
10.根据权利要求9所述的装置,其特征在于,所述目标日向量建立单元,进一步用于:
根据所述目标日的用户打车数据生成一个N维的所述目标日向量。
11.根据权利要求8所述的装置,其特征在于,所述装置还包括:
获取单元,用于从打车平台的数据中获取所述预设时间段内的用户打车历史数据样本。
12.根据权利要求8所述的装置,其特征在于,所述装置还包括:
封装单元,用于将所述休息日分类模型封装成应用程序接口;
其中,所述应用程序接口的输入端用于接收所述目标日的用户打车数据,所述应用程序接口的输出端用于输出所述目标日的休息日分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159762.5A CN107203579B (zh) | 2016-03-18 | 2016-03-18 | 基于用户打车数据的休息日分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159762.5A CN107203579B (zh) | 2016-03-18 | 2016-03-18 | 基于用户打车数据的休息日分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107203579A true CN107203579A (zh) | 2017-09-26 |
CN107203579B CN107203579B (zh) | 2020-12-25 |
Family
ID=59904722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610159762.5A Active CN107203579B (zh) | 2016-03-18 | 2016-03-18 | 基于用户打车数据的休息日分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203579B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309399A (zh) * | 2018-02-06 | 2019-10-08 | 北京嘀嘀无限科技发展有限公司 | 基于日期分类的场景信息推送方法及装置 |
CN110969449A (zh) * | 2018-09-28 | 2020-04-07 | 北京嘀嘀无限科技发展有限公司 | 车辆尾号的确定方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720289B2 (en) * | 2005-12-14 | 2010-05-18 | Mitsubishi Electric Research Laboratories, Inc. | Method for constructing covariance matrices from data features |
CN102147813A (zh) * | 2011-04-07 | 2011-08-10 | 江苏省电力公司 | 一种电力云环境下基于k最近邻算法的文档自动分类方法 |
CN103490974A (zh) * | 2012-06-14 | 2014-01-01 | 中国移动通信集团广西有限公司 | 一种垃圾邮件检测方法及装置 |
-
2016
- 2016-03-18 CN CN201610159762.5A patent/CN107203579B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720289B2 (en) * | 2005-12-14 | 2010-05-18 | Mitsubishi Electric Research Laboratories, Inc. | Method for constructing covariance matrices from data features |
CN102147813A (zh) * | 2011-04-07 | 2011-08-10 | 江苏省电力公司 | 一种电力云环境下基于k最近邻算法的文档自动分类方法 |
CN103490974A (zh) * | 2012-06-14 | 2014-01-01 | 中国移动通信集团广西有限公司 | 一种垃圾邮件检测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309399A (zh) * | 2018-02-06 | 2019-10-08 | 北京嘀嘀无限科技发展有限公司 | 基于日期分类的场景信息推送方法及装置 |
CN110969449A (zh) * | 2018-09-28 | 2020-04-07 | 北京嘀嘀无限科技发展有限公司 | 车辆尾号的确定方法和装置 |
CN110969449B (zh) * | 2018-09-28 | 2023-12-05 | 北京嘀嘀无限科技发展有限公司 | 车辆尾号的确定方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107203579B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rabosky | Extinction rates should not be estimated from molecular phylogenies | |
CN108563548A (zh) | 异常检测方法及装置 | |
CN109155006A (zh) | 使用神经网络进行基于频率的音频分析 | |
CN108921569A (zh) | 一种确定用户投诉类型的方法及装置 | |
CN107341668A (zh) | 一种判断真实数据的方法以及装置 | |
CN107423613A (zh) | 依据相似度确定设备指纹的方法、装置及服务器 | |
CN109544373A (zh) | 基于人工智能的医保违规行为检测方法及相关装置 | |
CN103714135B (zh) | 海量用户的二度人脉关系MapReduce推荐方法及系统 | |
CN110347724A (zh) | 异常行为识别方法、装置、电子设备及介质 | |
CN110516815A (zh) | 人工智能推荐模型的特征处理方法、装置及电子设备 | |
CN110109922A (zh) | 绩效数据获取方法、装置、计算机设备及存储介质 | |
CN108038413A (zh) | 欺诈可能性分析方法、装置及存储介质 | |
CN107145485A (zh) | 用于压缩主题模型的方法和装置 | |
CN110008973A (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN108846695A (zh) | 终端更换周期的预测方法及装置 | |
CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
CN109978000A (zh) | 一种基于图形化编程工具的分类ai实现方法及电子设备 | |
CN109767269A (zh) | 一种游戏数据的处理方法和装置 | |
CN109583946A (zh) | 一种活跃用户数的预测系统及方法 | |
CN110033385A (zh) | 信息处理的方法、装置和电子设备 | |
CN107203579A (zh) | 基于用户打车数据的休息日分类方法及装置 | |
CN115101160A (zh) | 药品销售数据挖掘和检索方法及装置 | |
CN106605219B (zh) | 用于对移动应用程序进行分析的方法及系统 | |
CN105138684B (zh) | 一种信息处理方法和信息处理装置 | |
CN107402878A (zh) | 测试方法和装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201203 Address after: 100193, No. 34, building No. 8, West flourishing road, Haidian District, Beijing Applicant after: BEIJING DIDI INFINITY TECHNOLOGY AND DEVELOPMENT Co.,Ltd. Address before: Office building D comprehensive service district Nangang Industrial Zone 300480 in Tianjin Binhai Economic and Technological Development Zone of Tianjin City 2 219-23 room Applicant before: Didi (China) Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |