CN109768869B - 一种业务预测方法、系统和计算机存储介质 - Google Patents
一种业务预测方法、系统和计算机存储介质 Download PDFInfo
- Publication number
- CN109768869B CN109768869B CN201711079400.6A CN201711079400A CN109768869B CN 109768869 B CN109768869 B CN 109768869B CN 201711079400 A CN201711079400 A CN 201711079400A CN 109768869 B CN109768869 B CN 109768869B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- historical
- real
- activity
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种业务预测方法、系统和计算机存储介质。所述方法包括：训练获得场所分类模型以及确定终端用户的场所集合；训练获得活动分类模型以及确定所述终端用户的活动集合；基于活动集合、场所集合和历史详单数据训练获得业务预测模型；获得当前时刻所述终端用户对应的实时详单数据和实时终端状态数据时，基于所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所；基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型。
Description
技术领域
本发明涉及移动通信网技术，具体涉及一种业务预测方法、系统和计算机存储介质。
背景技术
现有的基于位置的社会网络(LBSN，Location-based Social Network)技术主要研究某区域前导的群体用户行为，分析用户的社交关系及兴趣点，进行个性化推荐预测，在特定情境下，将最符合用户兴趣的项目推荐给目标用户，这种预测推荐方式与时间因素无关，且具有较大的局限性。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种业务预测方法、系统和计算机存储介质。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种业务预测方法，所述方法包括：
训练获得场所分类模型以及确定终端用户的场所集合；其中，所述场所分类模型基于历史详单数据训练获得；所述历史详单数据至少包括：时间、业务类型和位置；
训练获得活动分类模型以及确定所述终端用户的活动集合；所述活动分类模型基于历史终端状态数据训练获得；
基于所述活动集合、所述场所集合和所述历史详单数据训练获得业务预测模型；
获得当前时刻所述终端用户对应的实时详单数据和实时终端状态数据时，基于所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，以及基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所；
基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型。
上述方案中，所述训练获得场所分类模型，包括：
基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、输入参数类型以及通信网参数类型训练获得场所分类模型；其中，所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性、语义提取关键字；所述通信网参数包括以下参数的至少之一：区域小区密度、区域统计参考信号接收功率(RSRP，ReferenceSignal Receiving Power)、上下行流量、用户数量、资源利用率。
上述方案中，所述基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的输入参数类型以及预先配置的通信网参数类型训练获得场所分类模型之前，所述方法还包括：
对满足第一预设条件的第一表征时间-位置的历史详单数据进行删除操作；其中，所述第一预设条件包括：预设时间范围内区域变更次数高于第一阈值；
对表征时间-位置的历史详单数据中满足第二预设条件的区域数据进行删除操作；其中，所述第二预设条件包括：区域访问频次低于第二阈值。
上述方案中，所述训练获得活动分类模型，包括：
基于所述历史终端状态数据和输入参数训练获得活动分类模型；其中，所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字。
上述方案中，所述基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所，包括：基于所述实时详单数据预测所述下一时刻的位置，基于所述下一时刻的位置和所述场所分类模型确定所述下一时刻的场所。
上述方案中，所述基于所述实时详单数据预测所述下一时刻的位置，包括：
获得距离当前时刻最近访问的K个位置，生成满足所述K个位置对应的时间顺序的第一位置序列；
基于历史详单数据统计包含有多个位置的位置序列；所述位置序列中的相邻位置满足固定的时间顺序；
查找所述位置序列，获得与所述第一位置序列相匹配的至少一个第二位置序列，获得所述当前时刻的下一时刻对应的至少一个预测位置；
基于预设的预测模型分别计算所述至少一个预测位置的位置转移概率，选择位置转移概率最大的预测位置确定为所述下一时刻的位置。
本发明实施例还提供了一种业务预测系统，所述系统包括：
通讯组件，用于获得历史详单数据和历史终端状态数据；还用于获得当前时刻终端用户对应的实时详单数据和实时终端状态数据；所述历史详单数据至少包括：时间、业务类型和位置；
存储器，用于存储模型训练程序；还用于存储业务预测程序；
处理器，用于执行所述模型训练程序以执行以下操作：基于所述通讯组件采集的历史详单数据训练获得场所分类模型以及确定终端用户的场所集合；基于所述通讯组件采集的历史终端状态数据训练获得活动分类模型以及确定所述终端用户的活动集合；基于所述活动集合、所述场所集合和所述历史详单数据训练获得业务预测模型；还用于执行所述业务预测程序以执行以下操作：基于所述通讯组件获得的所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，以及基于所述通讯组件获得的所述实时详单数据和所述场所分类模型确定所述下一时刻的场所；基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型。
上述方案中，所述处理器，用于执行所述模型训练程序以执行以下操作：基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、输入参数以及通信网参数训练获得场所分类模型；其中，所述输入参数包括以下参数类型的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性、语义提取关键字；所述通信网参数包括以下参数类型的至少之一：区域小区密度、区域统计RSRP、上下行流量、用户数量、资源利用率。
上述方案中，所述处理器，还用于执行所述模型训练程序以执行以下操作：基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的输入参数类型以及预先配置的通信网参数类型训练获得场所分类模型之前，对满足第一预设条件的第一表征时间-位置的历史详单数据进行删除操作；其中，所述第一预设条件包括：预设时间范围内区域变更次数高于第一阈值；对表征时间-位置的历史详单数据中满足第二预设条件的区域数据进行删除操作；其中，所述第二预设条件包括：区域访问频次低于第二阈值。
上述方案中，所述处理器，用于执行所述模型训练程序以执行以下操作：基于所述历史终端状态数据和预先配置的输入参数训练获得活动分类模型；其中，所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字。
上述方案中，所述处理器，用于执行所述业务预测程序以执行以下操作：基于所述实时详单数据预测所述下一时刻的位置，基于所述下一时刻的位置和所述场所分类模型确定所述下一时刻的场所。
上述方案中，所述处理器，用于执行所述业务预测程序以执行以下操作：获得距离当前时刻最近访问的K个位置，生成满足所述K个位置对应的时间顺序的第一位置序列；基于历史详单数据统计包含有多个位置的位置序列；所述位置序列中的相邻位置满足固定的时间顺序；查找所述位置序列，获得与所述第一位置序列相匹配的至少一个第二位置序列，获得所述当前时刻的下一时刻对应的至少一个预测位置；基于预设的预测模型分别计算所述至少一个预测位置的位置转移概率，选择位置转移概率最大的预测位置确定为所述下一时刻的位置。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现本发明实施例所述的业务预测方法的步骤。
本发明实施例提供的业务预测方法、系统和计算机存储介质，所述方法包括：训练获得场所分类模型以及确定终端用户的场所集合；其中，所述场所分类模型基于历史详单数据训练获得；所述历史详单数据至少包括：时间、业务类型和位置；训练获得活动分类模型以及确定所述终端用户的活动集合；所述活动分类模型基于历史终端状态数据训练获得；基于所述活动集合、所述场所集合和所述历史详单数据训练获得业务预测模型；获得当前时刻所述终端用户对应的实时详单数据和实时终端状态数据时，基于所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，以及基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所；基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型。采用本发明实施例的技术方案，通过活动和场所将详单数据中的业务类型和位置进行关联，基于机器学习分类方式构建活动分类模型和场所分类模型，并基于确定的活动集合、场所集合和历史详单数据构建业务预测模型，通过业务预测模型实现了对于当前时刻的下一时刻的业务类型的预测，便于在个性化推荐时基于该业务类型在该下一时刻向用户推荐业务，实现了基于时间维度的业务类型的可预测性，在一定程度上也提升了业务推荐的精准程度，提升了用户的体验。
附图说明
图1为本发明实施例的业务预测方法的流程示意图；
图2为本发明实施例的业务预测方法所使用的基本模型示意图；
图3为本发明实施例的业务预测方法中的场所分类模型的训练方式示意图；
图4为本发明实施例的业务预测方法中的活动分类模型的训练方式示意图；
图5为本发明实施例的业务预测方法中的业务预测模型的训练方式示意图；
图6为本发明实施例的业务预测方法中的下一时刻的位置的预测方法示意图；
图7为本发明实施例的业务预测方法的一种具体实现流程示意图；
图8为本发明实施例的业务预测系统的组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
本发明实施例提供了一种业务预测方法。图1为本发明实施例的业务预测方法的流程示意图；如图1所示，所述方法包括：
步骤101：训练获得场所分类模型以及确定终端用户的场所集合；其中，所述场所分类模型基于历史详单数据训练获得；所述历史详单数据至少包括：时间、业务类型和位置。
步骤102：训练获得活动分类模型以及确定所述终端用户的活动集合；所述活动分类模型基于历史终端状态数据训练获得。
步骤103：基于所述活动集合、所述场所集合和所述历史详单数据训练获得业务预测模型。
步骤104：获得当前时刻所述终端用户对应的实时详单数据和实时终端状态数据时，基于所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，以及基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所。
步骤105：基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型。
本实施例中，详单数据具体为终端基于移动通信网络(例如4G/3G/2G等相关通信网络)进行通信时的相关信息。历史详单数据为在当前时刻之前采集的详单数据。表1为某用户的历史详单数据的一种示例，如表1中所示，历史详单数据中可包括时间(包括开始时间和结束时间)、业务类型(包括业务大类和业务小类；其中，业务大类可包括至少一种业务小类)和位置(位置可通过经纬度，和/或小区信息，小区信息可如表1中所示包括小区ID和小区名等信息)；历史详单数据中还可以包括流量信息，该流量信息表征在业务使用的时间段内使用的流量情况，该流量信息还可进一步区分为上行流量信息和下行流量信息。
表1
上述历史详单数据可以拆分出两类历史详单数据，第一类历史详单数据为基于时间-业务的历史详单数据，具体的一种示例可参照表2所示，即剔除表1中与时间和业务无关的参数形成的详单数据。第二类历史详单数据为基于时间-位置的历史详单数据，具体的一种示例可参照表3所示，即剔除表1中与时间和位置无关的参数形成的详单数据。
| 开始时间 | 结束时间 | 业务大类 | 业务小类 | 流量 |
| 2017-05-25-0720 | 2017-05-25-0721 | 即时通信 | 微信 | 10k |
| 2017-05-25-0725 | 2017-05-25-0726 | web浏览 | 墨迹天气 | 5k |
表2
| 开始时间 | 结束时间 | 小区ID | 小区名 | 经纬度 |
| 2017-05-25-0800 | 2017-05-25-0802 | 2 | 北京西站2 | 975.545. |
| 2017-05-25-0804 | 2017-05-25-0807 | 3 | 湾子3 | 945.353. |
| 2017-05-25-0807 | 2017-05-25-0809 | 4 | 达官营4 | 435.587. |
| 2017-05-25-0810 | 2017-05-25-0812 | 5 | 广内5 | 842.6453. |
表3
通过对某终端的大量历史详单数据分析可以得出，终端的位置与时间具有一定的相关性，则可基于某用户的历史详单数据建立时间-位置模型，表示某一时刻t的位置Gt＝G(t)。另一方面，终端使用的业务类型与时间也具有一定的相关性，则可基于某用户的历史详单数据建立时间-业务类型模型，表示某一时刻t的业务类型Bt＝B(t)。因此，通过分析历史详单数据，可得出终端的业务类型与终端所在的位置相关性较大。因此，某一时刻t的业务类型Bt可修正为Bt＝B(t，G(t))，即表示业务类型与时间和位置相关。但是，直接通过位置表示业务类型的影响情况是较难且不准确的，因此，本发明实施例中通过用户情境获得位置对业务类型的影响情况；具体可参照图2所示；其中，用户情境表示有相似位置的行为的概述，比如，在家睡觉、乘坐地铁、工作、购物等等。
本实施例中，将用户情景具体细分为活动和场所两类。其中，活动包括但不限于：上楼、下楼、饮食、睡觉、家务、购物、跑步、开车、看电视、工作等；场所包括但不限于：家、工作场所、交通场所、餐厅、超市、商店、休闲场所、业务场所及风景点等。基于此，本实施例中可基于所述历史详单数据(具体可以是如表3所示的基于时间-位置的历史详单数据)训练获得场所分类模型。
作为一种实施方式，所述基于预先采集的历史详单数据训练获得场所分类模型，包括：基于从所述历史详单数据中拆分获得的表征时间-位置的第二类历史详单数据、输入参数以及通信网参数训练获得场所分类模型；其中，所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性(表征当前时刻是工作日或是休息日等)、语义提取关键字等；所述通信网参数包括以下参数的至少之一：区域小区密度、区域统计RSRP、上下行流量、用户数量、资源利用率等。
图3为本发明实施例的业务预测方法中的场所分类模型的训练方式示意图；如图3所示，在具体的场所分类模型的训练过程中，以场所的类型包括：家、工作场所、交通场所、餐厅、超市、商店、休闲场所、业务场所及风景点等九个场所类型为例，一方面对每条时间-位置详单数据中的位置按照上述九种类型进行标注，确定每条时间-位置详单数据中的位置对应的场所类别；另一方面，结合时间维度，即结合每条时间-位置详单数据中的时间、对应的场所类别、对应的输入参数类型以及通信网参数类型进行训练，从而获得场所分类模型，在场所分类模型的训练过程中可确定终端用户的场所集合，所述场所集合例如包括上述九个场所类型的集合。本发明实施例结合输入参数类型和通信网参数类型进行训练，以便于在对应时间范围内、具有相同场所类别的输入参数类型的特征以及通信网参数类型特征，以在一定程度上增强预测的准确度。
作为第一种示例，当用户在办公场所时，即终端所在位置的类别为办公场所时，由于室分基站的射频拉远单元(RRU，Radio Remote Unit)在逻辑上都是一个小区，观察到的可能是不规律的RSRP(如在业务使用的时间范围内呈现忽高忽低的RSRP值)，小区内用户数量较多但整体资源利用率不高。作为第二种示例，当用户在家时，即终端所在位置的类别为家时，由于居民区大多是室外基站，而居民接打电话时一般会走到窗边，因此在使用通话业务时监测到的RSRP值可能会高于小区内的RSRP均值。作为第三种示例，当用户在大型商场(或医院)时，即终端所在位置的类别为商场(或医院)时，由于人数较多，且需要排队等待时间可能会较长，受到其他终端干扰的影响，改终端的上下行流量可能较差而RSRP可能较高。
其中，语义提取关键字表示对基站名进行自然语言处理和语义提取，比如表1中的小区名“创新大楼”可确定为工作地点，而对应的场所类别可确定为为工作场所；又例如，朗琴园小区1号楼2单元等相关小区名可确定为居民区，而对应的场所类别可确定为“家”。
其中，驻留时长也可以是判断场所的关键指标，可根据区域内发生的事件类型(例如位置更新、周期性位置更新、短信、呼叫、开机/关机等事件类型)，结合驻留时间周期判定是居民区常驻用户或是工作区常驻用户，例如，每周驻留2-3天，每天驻留时间为凌晨至次日六点，可以再结合每天凌晨的关机时间，次日六点的开机事件判定是居民区常驻用户。
本实施例中，所述基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的输入参数类型以及预先配置的通信网参数类型训练获得场所分类模型之前，所述方法还包括：对满足第一预设条件的第一表征时间-位置的历史详单数据进行删除操作；其中，所述第一预设条件包括：预设时间范围内区域变更次数高于第一阈值；对表征时间-位置的历史详单数据中满足第二预设条件的区域数据进行删除操作；其中，所述第二预设条件包括：区域访问频次低于第二阈值。
具体的，在对场所分类模型进行分类之前，首先需要剔除历史详单数据中的具有突发性的数据，所谓突发性的数据，即不具有任何规律性的、随机的数据。例如出租车司机，由于需要依据乘客的需要在各个区域移动，因此区域变更次数较高。而医生或教师工作日几乎都处于一个区域内，因此区域变更次数较低。基于此，若终端在预设时间范围内区域变更次数高于第一阈值，则删除该终端对应的历史详单数据，具体在用于训练获得场所分类模型的历史详单数据中删除该终端对应的表征时间-位置的历史详单数据。
另一方面，由于用户每天的位置转移可能具有突发的状况，例如平时基本上都是在家和工作场所之间进行转移，某天从家转移到工作场所后，转移至某商场，停留短暂时间后又重新转移至工作场所等等，因此，商场区域的访问频次较低。基于此，基于某终端的表征时间-位置的历史详单数据确定其中包括的每个位置的访问频次，删除该表征时间-位置的历史详单数据中访问频次低于第二阈值的位置数据。具体的，假设预设时间范围为T，在T时间范围内所有区域的访问总次数为F；如果终端在区域i中驻留的时间范围和访问该区域的次数分别记为Ti和Fi，终端访问区域i的频次表示为：
其中，所述第一阈值和所述第二阈值可依据实际需求预先配置，本发明实施例中不对此进行限定。
本实施例中，所述基于预先采集的终端状态数据训练获得活动分类模型，包括：基于预先采集的终端状态数据和预先配置的输入参数训练获得活动分类模型；其中，所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字。
图4为本发明实施例的业务预测方法中的活动分类模型的训练方式示意图；如图4所示，在具体的活动分类模型的训练过程中，以活动的类别包括：上楼、下楼、饮食、睡觉、家务、购物、跑步、开车、看电视、工作、走路等十一个活动类别为例，一方面对采集的终端状态数据按照上述十一种类别进行标注，确定不同的终端状态数据对应的活动类别；其中，所述终端状态数据具体可通过加速度信息表示，所述终端状态数据包括加速度信息以及对应的时间；另一方面，结合预先配置的输入参数、时间、对应的终端状态数据以及对应的活动类别进行训练，从而获得活动分类模型。在活动分类模型的训练过程中可确定终端用户的活动集合，所述活动集合例如包括上述十一种活动类别的集合。
本实施例中，图5为本发明实施例的业务预测方法中的业务预测模型的训练方式示意图；如图5所示，基于活动集合、场所集合和历史详单数据训练获得业务预测模型。
本实施例中，在获得对应于当前时刻的所述终端用户的实时详单数据和实时终端状态数据时，一方面基于该和实时终端状态数据和活动分类模型确定所述当前时刻的下一时刻的活动；另一方面基于该实时详单数据和场所分类模型确定所述下一时刻的场所。
实际应用中，可将实时详单数据拆分两类实时详单数据，第一类实时详单数据为基于时间-业务的实时详单数据，即剔除实时详单数据中与时间和业务无关的参数形成的实时详单数据；第二类实时详单数据为基于时间-位置的实时详单数据，即剔除实时详单数据中与时间和位置无关的参数形成的实时详单数据。对于下一时刻的活动的预测，可将获得的实时终端状态数据，具体可以是实时加速度数据进行修正，剔除突发类的加速度数据后，结合预先配置的输入参数，例如当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字中的至少之一，输入至活动分类模型，输出对应于下一时刻的活动，具体可如图4所示。
所述基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所，包括：基于所述实时详单数据预测所述下一时刻的位置，基于所述下一时刻的位置和所述场所分类模型确定所述下一时刻的场所。其中，所述基于所述实时详单数据预测所述下一时刻的位置，包括：获得距离当前时刻最近访问的K个位置，生成满足所述K个位置对应的时间顺序的第一位置序列；基于历史详单数据统计包含有多个位置的位置序列；所述位置序列中的相邻位置满足固定的时间顺序；查找所述位置序列，获得与所述第一位置序列相匹配的至少一个第二位置序列，获得所述当前时刻的下一时刻对应的至少一个预测位置；基于预设的预测模型分别计算所述至少一个预测位置的位置转移概率，选择位置转移概率最大的预测位置确定为所述下一时刻的位置。
具体的，对下一时刻的位置的预测，作为一种示例，可采用k阶马尔科夫链模型进行预测。实际过程中，需要依据历史详单数据训练获得马尔科夫链模型，具体是依据拆分后的基于时间-位置的历史详单数据训练获得马尔科夫链模型；其主要思想是，对基于时间-位置的历史详单数据中的位置进行统计分析，获得包含有多个位置的位置序列，所述位置序列中的相邻两个位置之间满足固定的时间顺序，例如，按照时间的先后顺序排列所述位置序列中的多个位置。在获得实时详单数据时，可基于获得的实时详单数据(具体是基于时间-位置的实时详单数据)确定终端最近访问的K个位置，并按照所述固定的时间顺序(例如时间的先后顺序)排列所述K个位置生成第一位置序列；所述第一位置序列中的K个位置可表示当前时刻的上下文状态；通过在所述位置序列中查找与所述第一位置序列匹配的至少一个第二位置序列，从而能够获得所述至少一个第二位置序列后相邻的位置作为预测位置，进一步对至少一个预测位置进行位置转移概率的计算，选择位置转移概率最大的预测位置确定为所述下一时刻的位置；其中，所述位置转移概率满足以下表达式(1)：
其中，locn-k)1,locn-k)2,...,locn表示所述第一位置序列中包括的位置，locn)1表示至少一个预测位置中的任一预测位置。
图6为本发明实施例的业务预测方法中的下一时刻的位置的预测方法示意图；如图6所示，上述的匹配规则和计算规则可内嵌在基于历史详单数据训练获得的k阶马尔科夫链模型中，通过输入实时详单数据，可直接过得对应的下一时刻的位置。如表达式(1)所示，k表示马尔科夫链模型的阶数，如k等于1时，相应的模型就是一阶马尔科夫链模型。而当k等于0时，对应的零阶马尔科夫链模型退化为将用户过去最频繁访问过的位置作为预测的下一时刻的位置。一般情况下，零阶马尔科夫链模型会预测用户的下一个位置始终是家或者是办公场所。k越大，其挖掘的上下文状态就越丰富，从而使得模型的预测越准确。如果k比较大的话，有可能导致在历史访问位置序列中搜索不到跟当前的第一位置序列相同的状态，即公式的分母可能为零。在这种情况下，模型就无法对用户的下一个时刻的位置做出预测。
进一步的，预测获得下一时刻的位置后，将所述下一时刻的位置、获得的输入参数类型和通信网参数类型输入训练获得的场所分类模型，获得预测出的下一时刻的场所；其中，所述输入参数类型包括以下参数类型的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性、语义提取关键字；所述通信网参数类型包括以下参数类型的至少之一：区域小区密度、区域统计RSRP、上下行流量、用户数量、资源利用率。
本实施例中，在获得下一时刻的位置和活动后，将获得的实时详单数据(具体可以是实时详单数据中的表征时间-业务的实时详单数据)、所述下一时刻的位置和所述下一时刻的场合输入业务预测模型，获得所述下一时刻的业务类型，从而本发明实施例能够准确预测用户在下一时刻使用的业务类型。
综上所述，图7为本发明实施例的业务预测方法的一种具体实现流程示意图；如图7所示，对于详单数据采集分为历史详单数据采集和实时详单数据采集；并且，分别对于历史详单数据采集和实时详单数据，均拆分为基于时间-业务的详单数据和基于时间-位置的详单数据，如图7中所示，包括历史时间-业务详单和历史时间-位置详单，以及实时时间-业务详单和实时时间-位置详单。对于采集的加速度信息表示的终端状态数据也拆分为实时加速度信息和历史加速度信息。
如图7中所示，本发明实施例的业务预测方法首先需要训练模型，具体可包括活动分类模型、场所分类模型、k阶马尔科夫链模型以及业务预测模型；其中：
活动分类模型基于历史加速度信息以及输入参数训练获得；所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字；
场所分类模型基于历史时间-位置详单数据、输入参数以及通信网相关参数训练获得；所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性、语义提取关键字；所述通信网参数包括以下参数类型的至少之一：区域小区密度、区域统计RSRP、上下行流量、用户数量、资源利用率；另外，在对场所分类模型进行训练过程中，对其中的具有突发性的数据进行删除，删除的方式可按照前述实施例中所述，这里不再赘述；
k阶马尔科夫链模型基于实时时间-位置详单数据训练获得，以便于预测下一时刻位置；
业务预测模型基于活动分类模型获得的包含有十一中活动的互动集合、基于场所分类模型获得的包含有九种场所的场所集合以及历史时间-业务详单数据训练获得。
在对实时数据进行处理时，第一方面，依据采集的实时加速度信息进行修正后输入活动分类模型，确定下一时刻活动；以及采集的实时时间-位置详单数据输入k阶马尔科夫链模型获得下一时刻位置，再将该下一时刻位置输入场所分类模型确定所述下一时刻场所；第二方面，将实时时间-业务详单、下一时刻活动和下一时刻场所输入业务预测模型，确定下一时刻业务类型。
本发明实施例中，模型训练方法可采用任何分类模型训练方法，例如随机森林训练分类方法等等。
采用本发明实施例的技术方案，通过活动和场所将详单数据中的业务类型和位置进行关联，基于机器学习分类方式构建活动分类模型和场所分类模型，并基于确定的活动集合、场所集合和历史详单数据构建业务预测模型，通过业务预测模型实现了对于当前时刻的下一时刻的业务类型的预测，便于在个性化推荐时基于该业务类型在该下一时刻向用户推荐业务，实现了基于时间维度的业务类型的可预测性，在一定程度上也提升了业务推荐的精准程度，提升了用户的体验。
本发明实施例还提供了一种业务预测系统。图8为本发明实施例的业务预测系统的组成结构示意图；如图8所示，系统包括：
通讯组件53，用于获得历史详单数据和历史终端状态数据；还用于获得当前时刻终端用户对应的实时详单数据和实时终端状态数据；所述历史详单数据至少包括：时间、业务类型和位置；
存储器52，用于存储模型训练程序；还用于存储业务预测程序；
处理器51，用于执行所述模型训练程序以执行以下操作：基于所述通讯组件53采集的历史详单数据训练获得场所分类模型以及确定终端用户的场所集合；基于所述通讯组件53采集的历史终端状态数据训练获得活动分类模型以及确定所述终端用户的活动集合；基于所述活动集合、所述场所集合和所述历史详单数据训练获得业务预测模型；还用于执行所述业务预测程序以执行以下操作：基于所述通讯组件53获得的所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，以及基于所述通讯组件53获得的所述实时详单数据和所述场所分类模型确定所述下一时刻的场所；基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型。
作为一种实施方式，所述处理器51，用于执行所述模型训练程序以执行以下操作：基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的输入参数类型以及预先配置的通信网参数类型训练获得场所分类模型；其中，所述输入参数类型包括以下参数类型的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性、语义提取关键字；所述通信网参数类型包括以下参数类型的至少之一：区域小区密度、区域统计RSRP、上下行流量、用户数量、资源利用率。
作为一种实施方式，所述处理器51，还用于执行所述模型训练程序以执行以下操作：基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的输入参数类型以及预先配置的通信网参数类型训练获得场所分类模型之前，对满足第一预设条件的第一表征时间-位置的历史详单数据进行删除操作；其中，所述第一预设条件包括：预设时间范围内区域变更次数高于第一阈值；对表征时间-位置的历史详单数据中满足第二预设条件的区域数据进行删除操作；其中，所述第二预设条件包括：区域访问频次低于第二阈值。
作为一种实施方式，所述处理器51，用于执行所述模型训练程序以执行以下操作：基于所述历史终端状态数据和预先配置的输入参数训练获得活动分类模型；其中，所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字。
作为一种实施方式，所述处理器51，用于执行所述业务预测程序以执行以下操作：基于所述实时详单数据预测所述下一时刻的位置，基于所述下一时刻的位置和所述场所分类模型确定所述下一时刻的场所。
作为一种实施方式，所述处理器51，用于执行所述业务预测程序以执行以下操作：获得距离当前时刻最近访问的K个位置，生成满足所述K个位置对应的时间顺序的第一位置序列；基于历史详单数据统计包含有多个位置的位置序列；所述位置序列中的相邻位置满足固定的时间顺序；查找所述位置序列，获得与所述第一位置序列相匹配的至少一个第二位置序列，获得所述当前时刻的下一时刻对应的至少一个预测位置；基于预设的预测模型分别计算所述至少一个预测位置的位置转移概率，选择位置转移概率最大的预测位置确定为所述下一时刻的位置。
这里需要指出的是：以上涉及系统项的描述，与上述方法描述是类似的，同方法的有益效果描述，不做赘述。对于本发明系统实施例中未披露的技术细节，请参照本发明方法实施例的描述。
可以理解，业务预测系统中的各个组件通过总线系统54耦合在一起。可理解，总线系统54用于实现这些组件之间的连接通信。总线系统54除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统54。
可以理解，存储器52可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器52旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器51中，或者由处理器51实现。处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器51可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器52，处理器51读取存储器52中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，业务预测系统可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、数字信号处理器(DSP，Digital SignalProcessor)、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro ControllerUnit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
本发明实施例还提供了一种计算机存储介质，例如包括计算机程序的存储器52，上述计算机程序可由业务预测系统的处理器51执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
本发明实施例提供的计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现本发明实施例所述的业务预测方法的步骤。具体的，该指令被处理器执行时实现：训练获得场所分类模型以及确定终端用户的场所集合；其中，所述场所分类模型基于历史详单数据训练获得；所述历史详单数据至少包括：时间、业务类型和位置；训练获得活动分类模型以及确定所述终端用户的活动集合；所述活动分类模型基于历史终端状态数据训练获得；基于所述活动集合、所述场所集合和所述历史详单数据训练获得业务预测模型；获得当前时刻所述终端用户对应的实时详单数据和实时终端状态数据时，基于所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，以及基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所；基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型。
作为一种实施方式，该指令被处理器执行时实现：基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的输入参数类型以及预先配置的通信网参数类型训练获得场所分类模型；其中，所述输入参数类型包括以下参数类型的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性、语义提取关键字；所述通信网参数类型包括以下参数类型的至少之一：区域小区密度、区域统计RSRP、上下行流量、用户数量、资源利用率。
作为一种实施方式，该指令被处理器执行时实现：基于从所述历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的输入参数类型以及预先配置的通信网参数类型训练获得场所分类模型之前，对满足第一预设条件的第一表征时间-位置的历史详单数据进行删除操作；其中，所述第一预设条件包括：预设时间范围内区域变更次数高于第一阈值；对表征时间-位置的历史详单数据中满足第二预设条件的区域数据进行删除操作；其中，所述第二预设条件包括：区域访问频次低于第二阈值。
作为一种实施方式，该指令被处理器执行时实现：基于所述历史终端状态数据和预先配置的输入参数训练获得活动分类模型；其中，所述输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字。
作为一种实施方式，该指令被处理器执行时实现：基于所述实时详单数据预测所述下一时刻的位置，基于所述下一时刻的位置和所述场所分类模型确定所述下一时刻的场所。
作为一种实施方式，该指令被处理器执行时实现：获得距离当前时刻最近访问的K个位置，生成满足所述K个位置对应的时间顺序的第一位置序列；基于历史详单数据统计包含有多个位置的位置序列；所述位置序列中的相邻位置满足固定的时间顺序；查找所述位置序列，获得与所述第一位置序列相匹配的至少一个第二位置序列，获得所述当前时刻的下一时刻对应的至少一个预测位置；基于预设的预测模型分别计算所述至少一个预测位置的位置转移概率，选择位置转移概率最大的预测位置确定为所述下一时刻的位置。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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，包括若干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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种业务预测方法，其特征在于，所述方法包括：
训练获得场所分类模型以及确定终端用户的场所集合；其中，所述场所分类模型基于从历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的第一输入参数和预先配置的通信网参数训练获得；所述历史详单数据为所述终端用户在当前时刻之前基于移动通信网络进行通信时的相关信息，所述历史详单数据至少包括：时间、业务类型和位置；用于训练所述场所分类模型的历史详单数据为剔除满足第一预设条件的第一表征时间-位置的历史详单数据以及剔除满足第二预设条件的区域数据的表征时间-位置的历史详单数据；其中，所述第一预设条件包括：预设时间范围内区域变更次数高于第一阈值；所述第二预设条件包括：区域访问频次低于第二阈值；
训练获得活动分类模型以及确定所述终端用户的活动集合；所述活动分类模型基于历史终端状态数据和预先配置的第二输入参数训练获得；所述历史终端状态数据为终端的历史状态数据；
基于所述活动集合、所述场所集合和所述历史详单数据训练获得业务预测模型；
获得当前时刻所述终端用户对应的实时详单数据和实时终端状态数据时，基于所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，以及基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所；
基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型。
2.根据权利要求1所述的方法，其特征在于，所述第一输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性、语义提取关键字；所述通信网参数包括以下参数的至少之一：区域小区密度、区域统计参考信号接收功率RSRP、上下行流量、用户数量、资源利用率。
3.根据权利要求1所述的方法，其特征在于，所述第二输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字。
4.根据权利要求1所述的方法，其特征在于，所述基于所述实时详单数据和所述场所分类模型确定所述下一时刻的场所，包括：基于所述实时详单数据预测所述下一时刻的位置，基于所述下一时刻的位置和所述场所分类模型确定所述下一时刻的场所。
5.根据权利要求4所述的方法，其特征在于，所述基于所述实时详单数据预测所述下一时刻的位置，包括：
获得所述终端用户距离当前时刻最近访问的K个位置，生成满足所述K个位置对应的时间顺序的第一位置序列；
基于所述终端用户的历史详单数据统计包含有多个位置的位置序列；所述位置序列中的相邻位置满足固定的时间顺序；
查找所述位置序列，获得与所述第一位置序列相匹配的至少一个第二位置序列，获得所述当前时刻的下一时刻对应的至少一个预测位置；
基于预设的预测模型分别计算所述至少一个预测位置的位置转移概率，选择位置转移概率最大的预测位置确定为所述下一时刻的位置。
6.一种业务预测系统，其特征在于，所述系统包括：
通讯组件，用于获得历史详单数据和历史终端状态数据；还用于获得当前时刻终端用户对应的实时详单数据和实时终端状态数据；所述历史详单数据为所述终端用户在当前时刻之前基于移动通信网络进行通信时的相关信息，所述历史详单数据至少包括：时间、业务类型和位置；所述历史终端状态数据为终端的历史状态数据；
存储器，用于存储模型训练程序；还用于存储业务预测程序；
处理器，用于执行所述模型训练程序以执行以下操作：基于从所述通讯组件采集的历史详单数据中拆分获得的表征时间-位置的历史详单数据、预先配置的第一输入参数和预先配置的通信网参数训练获得场所分类模型以及确定终端用户的场所集合；基于所述通讯组件采集的历史终端状态数据和预先配置的第二输入参数训练获得活动分类模型以及确定所述终端用户的活动集合；基于所述活动集合、所述场所集合和所述历史详单数据训练获得业务预测模型；还用于执行所述业务预测程序以执行以下操作：基于所述通讯组件获得的所述实时终端状态数据和所述活动分类模型确定所述当前时刻的下一时刻的活动，以及基于所述通讯组件获得的所述实时详单数据和所述场所分类模型确定所述下一时刻的场所；基于所述实时详单数据、所述下一时刻的活动、所述下一时刻的场所和所述业务预测模型获得所述下一时刻的业务类型；
其中，用于训练所述场所分类模型的历史详单数据为剔除满足第一预设条件的第一表征时间-位置的历史详单数据以及剔除满足第二预设条件的区域数据的表征时间-位置的历史详单数据；所述第一预设条件包括：预设时间范围内区域变更次数高于第一阈值；所述第二预设条件包括：区域访问频次低于第二阈值。
7.根据权利要求6所述的系统，其特征在于，所述第一输入参数包括以下参数类型的至少之一：当前时刻、驻留时长、位置、前序场所、时间属性、语义提取关键字；所述通信网参数包括以下参数类型的至少之一：区域小区密度、区域统计RSRP、上下行流量、用户数量、资源利用率。
8.根据权利要求6所述的系统，其特征在于，所述第二输入参数包括以下参数的至少之一：当前时刻、驻留时长、位置、前序活动、时间属性、语义提取关键字。
9.根据权利要求6所述的系统，其特征在于，所述处理器，用于执行所述业务预测程序以执行以下操作：基于所述实时详单数据预测所述下一时刻的位置，基于所述下一时刻的位置和所述场所分类模型确定所述下一时刻的场所。
10.根据权利要求9所述的系统，其特征在于，所述处理器，用于执行所述业务预测程序以执行以下操作：获得所述终端用户距离当前时刻最近访问的K个位置，生成满足所述K个位置对应的时间顺序的第一位置序列；基于所述终端用户的历史详单数据统计包含有多个位置的位置序列；所述位置序列中的相邻位置满足固定的时间顺序；查找所述位置序列，获得与所述第一位置序列相匹配的至少一个第二位置序列，获得所述当前时刻的下一时刻对应的至少一个预测位置；基于预设的预测模型分别计算所述至少一个预测位置的位置转移概率，选择位置转移概率最大的预测位置确定为所述下一时刻的位置。
11.一种计算机存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至5任一项所述的业务预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711079400.6A CN109768869B (zh) | 2017-11-06 | 2017-11-06 | 一种业务预测方法、系统和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711079400.6A CN109768869B (zh) | 2017-11-06 | 2017-11-06 | 一种业务预测方法、系统和计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109768869A CN109768869A (zh) | 2019-05-17 |
| CN109768869B true CN109768869B (zh) | 2022-05-31 |
Family
ID=66448894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711079400.6A Active CN109768869B (zh) | 2017-11-06 | 2017-11-06 | 一种业务预测方法、系统和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109768869B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472192B (zh) * | 2019-07-23 | 2022-04-15 | 平安科技（深圳）有限公司 | 评价指标提取方法、装置、存储介质和服务器 |
| CN110400024B (zh) * | 2019-07-31 | 2021-03-30 | 京东城市(北京)数字科技有限公司 | 订单预测的方法、装置、设备和计算机可读存储介质 |
| CN112533234B (zh) * | 2019-09-19 | 2023-04-07 | 中国移动通信集团重庆有限公司 | 基于机器学习的5g载波带宽配置方法及装置 |
| CN110839210B (zh) * | 2019-11-19 | 2021-02-02 | 中国联合网络通信集团有限公司 | 一种用户位置预测方法及装置 |
| CN111738404B (zh) * | 2020-05-08 | 2024-01-12 | 深圳市万普拉斯科技有限公司 | 模型训练任务处理方法、装置、电子设备和存储介质 |
| CN112215667B (zh) * | 2020-11-18 | 2023-07-18 | 中国联合网络通信集团有限公司 | 用户行为预测方法和装置 |
| CN112541635A (zh) * | 2020-12-16 | 2021-03-23 | 平安养老保险股份有限公司 | 业务数据统计预测方法、装置、计算机设备及存储介质 |
| CN115038148B (zh) * | 2021-02-24 | 2024-07-16 | 中国移动通信有限公司研究院 | 节能门限确定方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110027908A (ko) * | 2009-09-11 | 2011-03-17 | 성균관대학교산학협력단 | 사용자 목표 예측 장치 및 방법 |
| CN103942229A (zh) * | 2013-01-22 | 2014-07-23 | 日电（中国）有限公司 | 目的地预测设备和方法 |
| CN104348855A (zh) * | 2013-07-29 | 2015-02-11 | 华为技术有限公司 | 用户信息的处理方法、移动终端及服务器 |
| CN105142104A (zh) * | 2015-06-19 | 2015-12-09 | 北京奇虎科技有限公司 | 提供推荐信息的方法、设备以及系统 |
| WO2015188324A1 (zh) * | 2014-06-11 | 2015-12-17 | 华为技术有限公司 | 移动终端位置预测方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090287687A1 (en) * | 2008-04-14 | 2009-11-19 | Gianni Martire | System and method for recommending venues and events of interest to a user |
| US9736652B2 (en) * | 2012-11-06 | 2017-08-15 | Intertrust Technologies Corporation | Activity recognition systems and methods |
| US20140365403A1 (en) * | 2013-06-07 | 2014-12-11 | International Business Machines Corporation | Guided event prediction |
| CN110460645A (zh) * | 2015-08-04 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 一种信息推送方法和装置 |
| CN105224684A (zh) * | 2015-10-28 | 2016-01-06 | 小米科技有限责任公司 | 信息推送方法及装置 |
| CN107291755B (zh) * | 2016-04-01 | 2020-08-14 | 中国移动通信有限公司研究院 | 一种终端推送方法及装置 |
| US20170300948A1 (en) * | 2016-04-18 | 2017-10-19 | Mastercard International Incorporated | Systems and Methods for Predicting Purchase Behavior Based on Consumer Transaction Data in a Geographic Location |
-
2017
- 2017-11-06 CN CN201711079400.6A patent/CN109768869B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110027908A (ko) * | 2009-09-11 | 2011-03-17 | 성균관대학교산학협력단 | 사용자 목표 예측 장치 및 방법 |
| CN103942229A (zh) * | 2013-01-22 | 2014-07-23 | 日电（中国）有限公司 | 目的地预测设备和方法 |
| CN104348855A (zh) * | 2013-07-29 | 2015-02-11 | 华为技术有限公司 | 用户信息的处理方法、移动终端及服务器 |
| WO2015188324A1 (zh) * | 2014-06-11 | 2015-12-17 | 华为技术有限公司 | 移动终端位置预测方法及装置 |
| CN105142104A (zh) * | 2015-06-19 | 2015-12-09 | 北京奇虎科技有限公司 | 提供推荐信息的方法、设备以及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109768869A (zh) | 2019-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109768869B (zh) | 一种业务预测方法、系统和计算机存储介质 | |
| US9400185B2 (en) | Destination prediction apparatus | |
| EP2592885B1 (en) | System and method for acquiring statistics of navigation information | |
| Do et al. | Where and what: Using smartphones to predict next locations and applications in daily life | |
| CN104731917B (zh) | 一种推荐方法及装置 | |
| US9277362B2 (en) | Method and apparatus for generating and using location information | |
| US8718619B2 (en) | Predicting presence of a mobile user equipment | |
| KR101399267B1 (ko) | 모바일 디바이스에서의 애플리케이션 추천 장치 및 방법 | |
| Nurmi et al. | Identifying meaningful places: The non-parametric way | |
| CN104572889A (zh) | 一种搜索词推荐方法、装置和系统 | |
| CN104520881A (zh) | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 | |
| CN110443586A (zh) | 共享日程信息处理方法和装置、终端、存储介质 | |
| EP2426460A1 (en) | Method and Apparatus for Generating and Using Location Information | |
| CN102999513A (zh) | 基于地理位置服务搜索的信息展示方法和装置 | |
| Ahmad et al. | Context-aware services based on spatio-temporal zoning and crowdsourcing | |
| CN106161553B (zh) | 社区应用信息推送方法和系统 | |
| JP5567001B2 (ja) | 移動機、通信システムおよび通信方法 | |
| CN110348669B (zh) | 智能规则生成方法、装置、计算机设备及存储介质 | |
| CN111611337B (zh) | 终端数据处理系统 | |
| CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
| CN111666485B (zh) | 一种信息推荐方法、装置及终端 | |
| CN114168838A (zh) | 兴趣点在线搜索排序方法与系统、以及云端搜索服务平台 | |
| EP2741468B1 (en) | Method for labelling user data, terminal device and server | |
| KR101640426B1 (ko) | 모바일 빅 데이터 분석 장치 | |
| CN104750464B (zh) | 一种用户状态感知、管理方法及设备 |
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 |