CN109919225B - 一种基于时空数据的用户兴趣点识别的方法 - Google Patents

一种基于时空数据的用户兴趣点识别的方法 Download PDF

Info

Publication number
CN109919225B
CN109919225B CN201910169293.9A CN201910169293A CN109919225B CN 109919225 B CN109919225 B CN 109919225B CN 201910169293 A CN201910169293 A CN 201910169293A CN 109919225 B CN109919225 B CN 109919225B
Authority
CN
China
Prior art keywords
address
class
clustering
family
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
Application number
CN201910169293.9A
Other languages
English (en)
Other versions
CN109919225A (zh
Inventor
李献坤
吕定海
赵庆侧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pingjia Technology Co ltd
Original Assignee
Shanghai Pingjia Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Pingjia Technology Co ltd filed Critical Shanghai Pingjia Technology Co ltd
Priority to CN201910169293.9A priority Critical patent/CN109919225B/zh
Publication of CN109919225A publication Critical patent/CN109919225A/zh
Application granted granted Critical
Publication of CN109919225B publication Critical patent/CN109919225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于时空数据的用户兴趣点识别的方法，包括以下步骤：错误数据过滤；DBSCAN聚类；聚类判断；相关变量计算；重排序；两个及以上聚类拆分；单一家庭和工作地址算法。本发明仅通过行程数据就能挖掘出大部分用户的家庭工作地址。进一步地，本发明通过对主要兴趣点的DBSCAN聚类挖掘出用户的主要兴趣点作为潜在家庭工作地址。进一步地，本发明对于所有没达到聚类条件的用户进行过滤，减少流量和计算成本。进一步地，本发明通过精准的计算相关变量以用于后续算法判断，提高判断精度。进一步地，本发明通过对多个聚类的拆分，建立建模，通过输出概率的来确定用户的家庭和工作地址。

Description

一种基于时空数据的用户兴趣点识别的方法
技术领域
本发明涉及一种用户兴趣点识别的方法，具体是一种基于时空数据的用户兴趣点识别的方法，属于数据挖掘技术领域。
背景技术
现代生活中，自驾出行已经成为了人们最重要的交通手段之一。随着车载智能设备与智能手机的发展，越来越多的设备具备卫星定位能力，使得记录行车轨迹成为可能。
现有技术中存在的基于是通过采集用户全时段的数据进行相关判断，随着用户对隐私的重视，全时段的数据越来越难采集。一方面会长时间采用用户的GPS数据，另一方面是需要客户的数据量大，隐私信息也多。并且现有技术中，还没有可以商业化的用行程数据直接挖掘家庭工作地址的方法。
发明内容
本发明的目的在于提供一种基于时空数据的用户兴趣点识别的方法，该方法能够避免长时间采集用户GPS数据，需要的数据量少，需要的用户隐私信息也少。
为实现上述目的，本发明提供如下技术方案：
一种用行程挖掘单一家庭和工作地址的方法，其特征在于，包括以下步骤：
一、错误数据过滤；
二、DBSCAN聚类；聚类判断；
三、相关变量计算；
四、两个及以上聚类拆分(A2A)；
五、单一家庭和工作地址算法(SHWA)。
作为本发明进一步的技术方案：所述时空数据是用户完整的行程数据，包含用户的每一条历史行程信息，每一条历史行程中包含较精确的起点经纬度、起点GPS时间、终点经纬度、终点GPS时间，时间精确至年月日时分秒。
作为本发明进一步的技术方案：所述步骤一中，对用户潜在错误行程数据过滤包含但不限于对总行程数较少的用户进行过滤和对出现逆序的行程进行重排序。因总行程数较少而被过滤掉的用户不进行任何后续步骤，以减少流量和计算成本。
作为本发明进一步的技术方案：所述步骤二中，进行DBSCAN聚类是用现有的DBSCAN算法对用户的终点进行聚类，找出可用于地址挖掘的潜在家庭或工作地址类和类中心的经纬度坐标。
作为本发明进一步的技术方案：所述步骤二中，根据聚类后的结果进行聚类判断，对于聚类数等于0的用户不进行任何后续步骤，减少流量和服务器存储成本，对于聚类数等于1的用户参见发明一种用行程挖掘单一家庭或工作地址的方法；对于聚类数大于1的用户进行本发明中的后续步骤。
作为本发明进一步的技术方案：所述步骤三中，对潜在的家庭或工作地址类进行相关变量计算，计算的变量包括：总停留时间。
作为本发明进一步的技术方案：所述步骤四中，使用两个及以上聚类拆分算法(A2A)时聚类的总停留时间最多的两类的和必须大于一定阈值，否则认为用户行程不可靠不进行后续步骤。
作为本发明进一步的技术方案：所述步骤四中，使用两个及以上聚类拆分算法(A2A)时要求总停留时间最多的类占所有类的总停留时间的比例小于一定的阈值，否则使用家庭或工作地址单类算法(SAA)，参见发明一种用行程挖掘单一家庭或工作地址的方法。
作为本发明进一步的技术方案：所述步骤四中，使用两个及以上聚类拆分算法(A2A)时，如果总停留时间最多的两类的中心点经纬度坐标之间的地球弧长距离大于一定的阈值，且聚类数大于2，否则进行本发明中的后续步骤。
作为本发明进一步的技术方案：所述步骤四中，如果聚类数等于2，则使用单一家庭和工作地址(SHWA)算法，否则进行本发明中的后续步骤。
作为本发明进一步的技术方案：所述步骤四中，如果聚类数大于2，总停留时间排名第二和第三的类的差值占所有类总停留时间的比例大于一定的阈值，并且第三类的停留时间占所有类的总停留时间的比例小于一定的阈值，则使用单一家庭和工作地址(SHWA)算法，否则参见发明一种用行程挖掘多个家庭或工作地址的方法。
作为本发明进一步的技术方案：所述步骤五中，使用单一家庭和工作地址算法(SHWA)时，只取总停留时间排名前二的类，计算相应的特征变量，用于逻辑回归模型，输出对应的类属于家庭地址和工作地址的概率，若家庭地址概率大于一定阈值，则判定该类为家庭地址；若工作地址概率大于一定阈值，则判定该类为工作地址。
与现有技术相比，本发明的有益效果是：本发明仅通过行程数据就能挖掘出大部分用户的家庭工作地址。进一步地，本发明通过对主要兴趣点的DBSCAN聚类挖掘出用户的主要兴趣点作为潜在家庭工作地址。进一步地，本发明对于所有没达到聚类条件的用户进行过滤，减少流量和计算成本。进一步地，本发明通过精准的计算相关变量以用于后续算法判断，提高判断精度。进一步地，本发明通过对多个聚类的拆分，建立建模，通过输出概率的来确定用户的家庭和工作地址。
附图说明
图1为本发明实施例1中实施用行程挖掘单一家庭和工作地址的方法的流程示意图；
图2为本发明实施例1中相关变量的计算的流程示意图；
图3为本发明实施例1中两个及以上聚类拆分算法(A2A)的流程示意图；
图4为本发明实施例1中单一家庭和工作地址算法(SHWA)的流程示意图。
具体实施方式
下面将结合本发明实施例，对本发明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。基于本发明中的实施例，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，都属于本发明保护的范围。
一种基于时空数据的用户兴趣点识别的方法，包括以下步骤：
一、错误数据过滤；
二、DBSCAN聚类；聚类判断；
三、相关变量计算；重排序；
四、两个及以上聚类拆分；
五、单一家庭和工作地址算法。
所述时空数据是用户完整的行程数据，包含用户的每一条历史行程信息，每一条历史行程中包含较精确的起点经纬度、起点GPS时间、终点经纬度、终点GPS时间，时间精确至年月日时分秒。
所述步骤一中，对用户潜在错误行程数据过滤包含但不限于对总行程数较少的用户进行过滤和对出现逆序的行程进行重排序。
所述步骤二中，进行DBSCAN聚类是用现有的DBSCAN算法对用户的终点进行聚类，找出可用于地址挖掘的潜在家庭或工作地址类和类中心的经纬度坐标。
所述步骤二中，根据聚类后的结果进行聚类判断，对于聚类数等于零的用户不进行任何后续步骤，减少流量和服务器存储成本。
所述步骤三中，对潜在的家庭或工作地址类进行相关变量计算，计算的变量包括：总停留时间。
所述步骤四中，使用两个及以上聚类拆分算法时聚类的总停留时间最多的两类的和必须大于一定阈值，否则认为用户行程不可靠不进行后续步骤。
所述步骤四中，使用两个及以上聚类拆分算法时要求总停留时间最多的类占所有类的总停留时间的比例小于一定的阈值，否则使用家庭或工作地址单类算法；
所述步骤四中，使用两个及以上聚类拆分算法时，如果总停留时间最多的两类的中心点经纬度坐标之间的地球弧长距离大于一定的阈值，且聚类数大于2；
所述步骤四中，如果聚类数等于2，则使用单一家庭和工作地址算法，否则进行本发明中的后续步骤。
如果聚类数大于2，总停留时间排名第二和第三的类的差值占所有类总停留时间的比例大于一定的阈值，并且第三类的停留时间占所有类的总停留时间的比例小于一定的阈值，则使用单一家庭和工作地址算法。
所述步骤五中，使用单一家庭和工作地址算法时，只取总停留时间排名前二的类，计算相应的特征变量，用于逻辑回归模型，输出对应的类属于家庭地址和工作地址的概率。
所述步骤五中，述计算得出的工作地址和家庭地址概率进行如下判断：若家庭地址概率大于一定阈值，则判定该类为家庭地址；若工作地址概率大于一定阈值，则判定该类为工作地址。
实施例1
请参阅图1，本发明实施例中，一种基于时空数据的用户兴趣点识别的方法，包括以下步骤：
步骤S10，错误数据过滤。
在本实施例中，针对输入的用户行程数据进行粗过滤和整理。为防止用户行程数据出现逆序，既第n+1条行程的开始时间早于第n条行程，首先对用户数据按照行程开始时间进行排序。若用户总行程数量小于5条，则不进行后续步骤，放弃判断。
步骤S20，DBSCAN聚类。
在本实施例中，直接使用现有的DBSCAN方法对用户过去3个月的所有行程的终点进行聚类，设定的聚类半径阈值为r，聚类范围内最少点数阈值为c。
具体定义的上述阈值包括：
1)聚类半径阈值800米；
2)聚类范围内最少点数为7个点。
步骤S30，聚类判断。
在本实施例中，进行聚类完成后的第一次过滤。若聚类总数等于0个，则不进行后续步骤，放弃判断；若聚类数有且只有1个，参见发明一种用行程挖掘单一家庭或工作地址的方法；若聚类数大于1个，则执行步骤S40。
步骤S40，相关变量计算。
如图2所示，所述相关变量的计算包含如下步骤：
S4001：判断待计算行程列表是否不为空。若是，则读取此条行程和下一条相邻行程并顺序执行步骤S4002；否则，结束计算，输出此单聚类计算出的总停留时间，并执行步骤S50。
S4002：计算此条行程终点和下一条行程起点时间差并顺序执行步骤S4003。
S4003：判断步骤S4002中计算的时间差是否小于0或者时间差大于3天。若是，则返回步骤S4001；否则，顺序执行步骤S4004。。
S4004：计算此条行程终点和下一条行程起点的实际距离并顺序执行步骤S4005。
S4005：判断步骤S4004中计算的距离是否小于5公里。若是，则顺序执行步骤S4006；否则，直接执行步骤S4009。
S4006：判断步骤S4002中计算的时间差是否大于1.5天。若是，则顺序执行步骤S4007；否则，直接执行步骤S4008。
S4007：在原始的聚类总停留时间变量(初始为0)上增加1.5天，并返回至步骤S4001。
S4008：在原始的聚类总停留时间变量(初始为0)上增加步骤S4002中计算的时间差，并返回至步骤S4001。
S4009：首先通过聚类中心点找到属于此计算中聚类3公里内的所有行程起点和其对应的出发时间。然后对所有出发时间排序、取中位数并和计算中的行程的终点到达时间计算时间差。若时间差小于0，则在其基础上增加24小时直至时间差为正，然后顺序执行步骤S4010。
S4010：判断步骤S4009中计算的时间差是否小于16个小时。若是，则顺序执行步骤S4011；否则，返回至步骤S4001。
S4011：在原始的聚类总停留时间变量(初始为0)上增加0.5*步骤S4009中计算的时间差，并返回至步骤S4001。
步骤S50，按照类的总停留时间从大到小排序，最多取前6个。
步骤S60，两个及以上聚类拆分算法(A2A)。
如图3所示，所述两个及以上聚类拆分算法(A2A)包含如下步骤：
S6001：判断类的总停留时间前二的和是否大于8个小时。若是，则顺序执行步骤S6002；否则，放弃判断。
S6002：判断类总停留时间第一的类占所有类的总停留时间的比例是否小于85％。若是，则直接执行步骤S6003；否则，参见发明一种用行程挖掘单一家庭或工作地址的方法。
S6003：判断类总停留时间排名前二的类中心点的距离是否大于500km,并且所有的聚类数大于2。若是，参见发明一种用行程挖掘多个家庭或工作地址的方法；否则，直接执行步骤S6004。
S6004：判断聚类数是否等于2。若是，执行步骤S70；否则执行步骤S6005。
S6005：判断类总停留时间排名第二和第三的差值占所有类的总停留时间和的比例是否大于10％。若是，则顺序执行步骤S6006；否则，参见发明一种用行程挖掘多个家庭或工作地址的方法。
S6006：判断类总停留时间排名第三的类占所有类的比例是否小于10％。若是，则执行步骤S70；否则，参见发明一种用行程挖掘多个家庭或工作地址的方法。
步骤S70，单一家庭和工作地址算法(SHWA)。
如图4所示，所述单一家庭和工作地址算法(SHWA)包含如下步骤：
S7001：只取类总停留时间排名前二的类进行后续的特征计算S7002。
S7002：计算的特征包括：类总停留时间比例、行程次数比例、到达时间波动比例、非工作日停留时间比例等，执行步骤S7003。
S7003：将特征变量带入到逻辑回归模型中，算出概率p，执行步骤S7004。
S7004：判断输出的概率p是否大于等于0.6。若是，则总停留时间排名第一的类为该用户的家庭地址所在地，总停留时间排名第二的类为该用户工作地址所在地；否则，执行步骤S7005。
S7005：判断输出的概率p是否小于等于0.5。若是，则总停留时间排名第二的类为该用户的家地址所在地，总停留时间排名第一的类为该用户工作地址所在地；否则，放弃判断。
在本实施例中的用行程挖掘单一家庭和工作地址的方法，首先按照行程点数进行过滤并聚类找出潜在的家庭和工作地址，然后进行聚类判断、相关变量和重排序，通过两个及以上聚类拆分算法(A2A)将多个类进行拆分判断，获得用户潜在家庭和工作地址，通过单一家庭和工作地址算法(SHWA)同时判断出用户的家庭和总工作地址或者放弃判断。与现有技术相比，本实施例中的用行程挖掘单一家庭和工作地址的方法解决了必须使用全时段的数据以获得用户家庭工作地址的方法。在用户对数据隐私越来越重视的时代，可以仅通过使用行程数据找到用户大致的家庭住址和工作地址为后期的用户标签和用户画像提供支持。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (2)

1.一种基于时空数据的用户兴趣点识别的方法，其特征在于，包括以下步骤：
一、错误数据过滤；
所述步骤一中，对用户潜在错误行程数据过滤包含但不限于对总行程数较少的用户进行过滤和对出现逆序的行程进行重排序；
二、DBSCAN聚类；聚类判断；
所述步骤二中，进行DBSCAN聚类是用现有的DBSCAN算法对用户的终点进行聚类，找出可用于地址挖掘的潜在家庭或工作地址类和类中心的经纬度坐标；
所述步骤二中，根据聚类后的结果进行聚类判断，对于聚类数等于零的用户不进行任何后续步骤，减少流量和服务器存储成本；
三、相关变量计算；重排序；
所述步骤三中，对潜在的家庭或工作地址类进行相关变量计算，计算的变量包括：总停留时间；
四、两个及以上聚类拆分；
所述步骤四中，使用两个及以上聚类拆分算法时聚类的总停留时间最多的两类的和必须大于一定阈值，否则认为用户行程不可靠不进行后续步骤；
所述步骤四中，使用两个及以上聚类拆分算法时要求总停留时间最多的类占所有类的总停留时间的比例小于一定的阈值，否则使用家庭或工作地址单类算法；
所述步骤四中，使用两个及以上聚类拆分算法时，如果总停留时间最多的两类的中心点经纬度坐标之间的地球弧长距离大于一定的阈值，且聚类数大于2；
所述步骤四中，如果聚类数等于2，则使用单一家庭和工作地址算法，否则进行本发明中的后续步骤；
如果聚类数大于2，总停留时间排名第二和第三的类的差值占所有类总停留时间的比例大于一定的阈值，并且第三类的停留时间占所有类的总停留时间的比例小于一定的阈值，则使用单一家庭和工作地址算法；
五、单一家庭和工作地址算法，
所述步骤五中，使用单一家庭和工作地址算法时，只取总停留时间排名前二的类，计算相应的特征变量，用于逻辑回归模型，输出对应的类属于家庭地址和工作地址的概率；
所述步骤五中，述计算得出的工作地址和家庭地址概率进行如下判断：若家庭地址概率大于一定阈值，则判定该类为家庭地址；若工作地址概率大于一定阈值，则判定该类为工作地址。
2.根据权利要求1所述的一种基于时空数据的用户兴趣点识别的方法，其特征在于，所述时空数据是用户完整的行程数据，包含用户的每一条历史行程信息，每一条历史行程中包含较精确的起点经纬度、起点GPS时间、终点经纬度、终点GPS时间，时间精确至年月日时分秒。
CN201910169293.9A 2019-03-06 2019-03-06 一种基于时空数据的用户兴趣点识别的方法 Active CN109919225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910169293.9A CN109919225B (zh) 2019-03-06 2019-03-06 一种基于时空数据的用户兴趣点识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910169293.9A CN109919225B (zh) 2019-03-06 2019-03-06 一种基于时空数据的用户兴趣点识别的方法

Publications (2)

Publication Number Publication Date
CN109919225A CN109919225A (zh) 2019-06-21
CN109919225B true CN109919225B (zh) 2023-06-20

Family

ID=66963543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910169293.9A Active CN109919225B (zh) 2019-03-06 2019-03-06 一种基于时空数据的用户兴趣点识别的方法

Country Status (1)

Country Link
CN (1) CN109919225B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178932A (zh) * 2019-11-26 2020-05-19 深圳壹账通智能科技有限公司 用户地理画像生成方法、装置、计算机设备和存储介质
CN111078818B (zh) * 2019-12-27 2021-08-10 同盾(广州)科技有限公司 地址分析方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108074415A (zh) * 2017-12-19 2018-05-25 广州小鹏汽车科技有限公司 一种基于用户行为的车辆目的地预测方法及系统
CN109034187A (zh) * 2018-06-12 2018-12-18 上海中通吉网络技术有限公司 一种用户家庭工作地址挖掘流程
CN109086323A (zh) * 2018-06-28 2018-12-25 上海中通吉网络技术有限公司 用户家庭和工作地址的确定方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7177863B2 (en) * 2002-04-26 2007-02-13 International Business Machines Corporation System and method for determining internal parameters of a data clustering program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108074415A (zh) * 2017-12-19 2018-05-25 广州小鹏汽车科技有限公司 一种基于用户行为的车辆目的地预测方法及系统
CN109034187A (zh) * 2018-06-12 2018-12-18 上海中通吉网络技术有限公司 一种用户家庭工作地址挖掘流程
CN109086323A (zh) * 2018-06-28 2018-12-25 上海中通吉网络技术有限公司 用户家庭和工作地址的确定方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
费洪晓 ; 覃思明 ; 李文兴 ; 李钦秀 ; 董馨 ; .基于访问兴趣的Web用户聚类方法.计算机系统应用.2010,(04),全文. *

Also Published As

Publication number Publication date
CN109919225A (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
Yuan et al. An interactive-voting based map matching algorithm
CN111324679B (zh) 地址信息的处理方法、装置和系统
JP2019512764A (ja) ユーザ地理的ロケーションのタイプを識別するための方法および装置
CN107124695A (zh) 基于联系人信息来标注被访问的位置的方法和系统
CN109919225B (zh) 一种基于时空数据的用户兴趣点识别的方法
CN103605651A (zh) 一种基于olap多维分析的数据处理展现方法
CN105894089A (zh) 一种征信模型的建立方法、征信确定方法及对应装置
CN111160867A (zh) 大范围地域停车场大数据分析系统
CN111125121B (zh) 基于HBase表的实时数据显示方法
CN103942312A (zh) 公交换乘线路规划方法和装置
CN105095335A (zh) 用于网络上搜索结果的评级系统
CN103970747A (zh) 网络侧计算机对搜索结果进行排序的数据处理方法
CN103488525A (zh) 确定与情景相关的用户偏好
CN114092056A (zh) 项目管理方法、装置、电子设备、存储介质及产品
EP2932195B1 (en) Method and apparatus for vehicle usage recording
Liao et al. Fusing geographic information into latent factor model for pick-up region recommendation
CN104750860B (zh) 一种不确定数据的数据存储方法
AU2013360865A1 (en) Method and apparatus for vehicle usage recording
CN109918582B (zh) 一种基于时空数据的用户单兴趣点识别的方法
CN116233759B (zh) 一种居民出行轨迹调查方法及系统
CN116821659A (zh) 车辆油耗分析方法、装置、计算机设备及可读存储介质
CN109918581B (zh) 一种基于时空数据的用户多兴趣点多结果识别的方法
CN113392286B (zh) 大数据信息采集系统
CN101191730A (zh) 汽车导航系统的信息检索系统
Liu et al. Fusing Spatio-Temporal Contexts into DeepFM for Taxi Pick-Up Area Recommendation.

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