CN109978056A - 一种基于机器学习的地铁乘客分类方法 - Google Patents
一种基于机器学习的地铁乘客分类方法 Download PDFInfo
- Publication number
- CN109978056A CN109978056A CN201910232055.8A CN201910232055A CN109978056A CN 109978056 A CN109978056 A CN 109978056A CN 201910232055 A CN201910232055 A CN 201910232055A CN 109978056 A CN109978056 A CN 109978056A
- Authority
- CN
- China
- Prior art keywords
- divided
- algorithm model
- feature
- classification
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010801 machine learning Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000001680 brushing effect Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000000295 complement effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的地铁乘客分类方法,包括下述步骤:步骤一,从一卡通公司获取城市全部地铁站的历史刷卡数据;步骤二,对历史刷卡数据进行预处理,缺失值补0;步骤三,对部分刷卡数据进行人工标注,得到乘客类别,作为半监督学习中的已知类别的数据集,用于初始训练;步骤四,按照实际情况,对地铁站进行等级划分;步骤五,考虑影响地铁乘客类别的影响因素,分析建立模型时所需要的初始特征;本发明考虑影响乘客类别的因素较为全面,利用GBDT算法模型根据已有特征构建出新特征,实现了特征的自动提取,算法模型简单,能解决现有方法分类效果较差等问题,提高了分类的精度。
Description
技术领域
本发明涉及乘客分类技术领域,具体涉及一种基于机器学习的地铁乘客分类方法。
背景技术
随着社会的发展,交通方式越来越多,地铁是很重要的一种出行方式,它对于一个城市的建设具有重要意义,有利于引导和实现城市可持续发展,并且逐渐成为居民出行的首要选择,因此对于地铁乘客进行分类尤为重要。通过对地铁乘客进行分类预测,可以针对不同种类的乘客提供有针对性的服务,可以提高服务质量。
关于地铁乘客分类预测的研究,国内的赵娟娟等人提出了一种“基于时空数据挖掘的地铁乘客分类方法”(CN103699601A),该方法基于时间、空间的用户出行规律算法,通过对乘客的出行进行特征分析,将具有相似特征的乘客聚类,最后完成分类;尹宝才等人提出了“一种基于地铁刷卡数据的乘客出行行为分析方法”(CN105718946A),在分析出行行为时,对乘客进行聚类,但是,这两种方法实现较为繁琐,根据出行规律算法进行计算,计算不方便,并且没有考虑天气属性等外在因素对乘客类别的影响,只是考虑进出站的站点以及时间等常规因素,也没有利用算法从已有特征中进行自动提取新特征,所以整体分类没有达到很好的分类效果。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于机器学习的地铁乘客分类方法,该方法利用机器学习算法对现有特征进行特征的自动提取,进一步发现数据背后的知识,提高分类精度。
本发明的目的通过下述技术方案实现:
一种基于机器学习的地铁乘客分类方法,包括下述步骤:
步骤一,从一卡通公司获取城市全部地铁站的历史刷卡数据;
步骤二,对历史刷卡数据进行预处理,缺失值补0;
步骤三,对部分刷卡数据进行人工标注,得到乘客类别,作为半监督学习中的已知类别的数据集,用于初始训练;
步骤四,按照实际情况,对地铁站进行等级划分;
步骤五,考虑影响地铁乘客类别的影响因素,分析建立模型时所需要的初始特征;
步骤六,训练GBDT算法模型;
(1)GBDT算法模型是以决策树为基模型的;
(2)利用已知类别的那部分数据,进行特征工程,得到满足GBDT算法模型的特征表示,将该特征记为X';
(3)将数据划分为训练集和测试集;
(4)将已知的乘客类别作为目标y,特征作为输入x,传给GBDT算法模型,利用训练集训练GBDT算法模型,利用测试集测试GBDT算法模型的性能以及调整模型参数,得到准确度较高的模型;
步骤七,利用GBDT算法模型构建新特征;
(1)利用GBDT算法模型学习得到的树来对已经标注的数据构造新特征,记为X”;
(2)将该新特征X”加入原有特征X',一起构成了特征集X”';
步骤八,建立softmax算法模型;
(1)softmax算法模型的函数为
(2)将经过GBDT算法模型构建的新的特征集X”'划分为训练集和测试集,用softmax算法模型对训练集进行训练,用测试集测试模型自身的性能;
(3)得到softmax算法模型的模型参数;
步骤九,对其他未进行标注的数据,按照步骤一至步骤八的方法进行处理,得到具有与特征集X”'相同特征数量的特征;
步骤十,利用GBDT+softmax算法模型对地铁乘客进行分类。
优选地,步骤四中所述的实际情况,具体为地理位置和地铁人流量这些因素。
优选地,步骤五中所述的初始特征,主要包括以下特征:
(1)进出地铁站的刷卡时间字段以及地铁站所处的等级;
(2)天气特征,划分为6个等级,晴天划分为等级1,多云和阴天划分为等级2,小雨划分为等级3,阵雨划分为等级4,中雨划分为等级5,剩余的情况划分为等级6;
(3)温度特征,得到最高温度与最低温度;
(4)是否周末,分为工作日、周六与周日三种;
(5)风力特征,按照实际情况,划分为三个等级;
(6)是否节假日;将节假日分为四个等级,其中,春节划分为等级4,清明、端午、元旦、国庆这四个节假日划分为等级3,劳动节划分为等级2,剩余的划分为等级1。
本发明与现有技术相比具有以下的有益效果:
本发明以一卡通数据为依托,分析影响地铁乘客类别的因素,利用GBDT算法模型构建新特征,结合softmax算法模型进行地铁乘客分类,解决了计算量大、没有利用算法进行自动提取特征以及分类精度较低等技术问题,本发明考虑影响乘客类别的因素较为全面,利用GBDT算法模型根据已有特征构建出新特征,实现了特征的自动提取,算法模型简单,能解决现有方法分类效果较差等问题,提高了分类的精度。
附图说明
图1为本发明的整体流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,一种基于机器学习的地铁乘客分类方法,包括下述步骤:
步骤一,从一卡通公司获取城市全部地铁站的历史刷卡数据;
步骤二,对历史刷卡数据进行预处理,缺失值补0;
步骤三,对部分刷卡数据进行人工标注,得到乘客类别,作为半监督学习中的已知类别的数据集,用于初始训练;
步骤四,按照实际情况,对地铁站进行等级划分,其中,所述的实际情况,具体为地理位置和地铁人流量这些因素;
步骤五,考虑影响地铁乘客类别的影响因素,分析建立模型时所需要的初始特征,其中,所述的初始特征,主要包括以下特征:
(1)进出地铁站的刷卡时间字段以及地铁站所处的等级;
(2)天气特征,划分为6个等级,晴天划分为等级1,多云和阴天划分为等级2,小雨划分为等级3,阵雨划分为等级4,中雨划分为等级5,剩余的情况划分为等级6;为适应模型的需要,需要进行量化,具体为:晴天量化为12,多云和阴天量化为10,小雨量化为8,阵雨量化为6,中雨量化为4,其他情况量化为2;
(3)温度特征,得到最高温度与最低温度;
(4)是否周末,分为工作日、周六与周日三种;为适应模型的需要,需要进行量化,具体为:工作日量化为6,周六为4,周日为2;
(5)风力特征,按照实际情况,划分为三个等级;为适应模型的需要,需要进行量化,具体为:无风或者微风量化为6,三级风力量化为4,其他量化为2;
(6)是否节假日,只考虑一些重要节假日,对于一些非重要节假日,当成普通日子进行处理;将节假日分为四个等级,其中,春节划分为等级4,清明、端午、元旦、国庆这四个节假日划分为等级3,劳动节划分为等级2,剩余的划分为等级1;为适应模型的需要,需要进行量化,具体为:春节量化为2,清明为4,劳动为6,其他为8;
步骤六,训练GBDT算法模型;
(1)GBDT算法模型是以决策树为基模型的;
(2)利用已知类别的那部分数据,进行特征工程,得到满足GBDT算法模型的特征表示,将该特征记为X';
(3)将数据划分为训练集和测试集;
(4)将已知的乘客类别作为目标y,特征作为输入x,传给GBDT算法模型,利用训练集训练GBDT算法模型,利用测试集测试GBDT算法模型的性能以及调整模型参数,得到准确度较高的模型;
步骤七,利用GBDT算法模型构建新特征;
(1)利用GBDT算法模型学习得到的树来对已经标注的数据构造新特征,记为X”;
(2)将该新特征X”加入原有特征X',一起构成了特征集X”';
步骤八,建立softmax算法模型;
(1)softmax算法模型的函数为
(2)将经过GBDT算法模型构建的新的特征集X”'划分为训练集和测试集,用softmax算法模型对训练集进行训练,用测试集测试模型自身的性能;
(3)得到softmax算法模型的模型参数;
步骤九,对其他未进行标注的数据,按照步骤一至步骤八的方法进行处理,得到具有与特征集X”'相同特征数量的特征;
步骤十,利用GBDT+softmax算法模型对地铁乘客进行分类。
本发明综合考虑了影响地铁乘客类别的外在因素,进出站时间,进出站的地铁等级,天气属性,风力属性、温度属性以及是否周末,从原始特征出发,利用GBDT算法模型构建影响地铁乘客类别的新特征,结合softmax算法模型的分类方法进行分类。
本发明以一卡通数据为依托,分析影响地铁乘客类别的因素,利用GBDT算法模型构建新特征,结合softmax算法模型进行地铁乘客分类,解决了计算量大、没有利用算法进行自动提取特征以及分类精度较低等技术问题,本发明考虑影响乘客类别的因素较为全面,利用GBDT算法模型根据已有特征构建出新特征,实现了特征的自动提取,算法模型简单,能解决现有方法分类效果较差等问题,提高了分类的精度。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种基于机器学习的地铁乘客分类方法,其特征在于,包括下述步骤:
步骤一,从一卡通公司获取城市全部地铁站的历史刷卡数据;
步骤二,对历史刷卡数据进行预处理,缺失值补0;
步骤三,对部分刷卡数据进行人工标注,得到乘客类别,作为半监督学习中的已知类别的数据集,用于初始训练;
步骤四,按照实际情况,对地铁站进行等级划分;
步骤五,考虑影响地铁乘客类别的影响因素,分析建立模型时所需要的初始特征;
步骤六,训练GBDT算法模型;
(1)GBDT算法模型是以决策树为基模型的;
(2)利用已知类别的那部分数据,进行特征工程,得到满足GBDT算法模型的特征表示,将该特征记为X';
(3)将数据划分为训练集和测试集;
(4)将已知的乘客类别作为目标y,特征作为输入x,传给GBDT算法模型,利用训练集训练GBDT算法模型,利用测试集测试GBDT算法模型的性能以及调整模型参数,得到准确度较高的模型;
步骤七,利用GBDT算法模型构建新特征;
(1)利用GBDT算法模型学习得到的树来对已经标注的数据构造新特征,记为X”;
(2)将该新特征X”加入原有特征X',一起构成了特征集X”';
步骤八,建立softmax算法模型;
(1)softmax算法模型的函数为
(2)将经过GBDT算法模型构建的新的特征集X”'划分为训练集和测试集,用softmax算法模型对训练集进行训练,用测试集测试模型自身的性能;
(3)得到softmax算法模型的模型参数;
步骤九,对其他未进行标注的数据,按照步骤一至步骤八的方法进行处理,得到具有与特征集X”'相同特征数量的特征;
步骤十,利用GBDT+softmax算法模型对地铁乘客进行分类。
2.根据权利要求1所述的基于机器学习的地铁乘客分类方法,其特征在于,步骤四中所述的实际情况,具体为地理位置和地铁人流量这些因素。
3.根据权利要求1所述的基于机器学习的地铁乘客分类方法,其特征在于,步骤五中所述的初始特征,主要包括以下特征:
(1)进出地铁站的刷卡时间字段以及地铁站所处的等级;
(2)天气特征,划分为6个等级,晴天划分为等级1,多云和阴天划分为等级2,小雨划分为等级3,阵雨划分为等级4,中雨划分为等级5,剩余的情况划分为等级6;
(3)温度特征,得到最高温度与最低温度;
(4)是否周末,分为工作日、周六与周日三种;
(5)风力特征,按照实际情况,划分为三个等级;
(6)是否节假日;将节假日分为四个等级,其中,春节划分为等级4,清明、端午、元旦、国庆这四个节假日划分为等级3,劳动节划分为等级2,剩余的划分为等级1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910232055.8A CN109978056A (zh) | 2019-03-26 | 2019-03-26 | 一种基于机器学习的地铁乘客分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910232055.8A CN109978056A (zh) | 2019-03-26 | 2019-03-26 | 一种基于机器学习的地铁乘客分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978056A true CN109978056A (zh) | 2019-07-05 |
Family
ID=67080611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910232055.8A Pending CN109978056A (zh) | 2019-03-26 | 2019-03-26 | 一种基于机器学习的地铁乘客分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978056A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
CN112926701A (zh) * | 2021-05-10 | 2021-06-08 | 北京人人云图信息技术有限公司 | 一种基于gcn半监督的航空乘客的分类方法和系统及其设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150036874A1 (en) * | 2013-07-31 | 2015-02-05 | Digitalglobe, Inc. | Automatic generation of built-up layers from high resolution satellite image data |
CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
CN107067115A (zh) * | 2017-04-26 | 2017-08-18 | 大连理工大学 | 一种基于忠实乘客的多特征地铁乘车人数预测方法 |
CN108764273A (zh) * | 2018-04-09 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 一种数据处理的方法、装置、终端设备及存储介质 |
CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
CN109447273A (zh) * | 2018-09-30 | 2019-03-08 | 深圳市元征科技股份有限公司 | 模型训练方法、广告推荐方法、相关装置、设备及介质 |
-
2019
- 2019-03-26 CN CN201910232055.8A patent/CN109978056A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150036874A1 (en) * | 2013-07-31 | 2015-02-05 | Digitalglobe, Inc. | Automatic generation of built-up layers from high resolution satellite image data |
CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
CN107067115A (zh) * | 2017-04-26 | 2017-08-18 | 大连理工大学 | 一种基于忠实乘客的多特征地铁乘车人数预测方法 |
CN108764273A (zh) * | 2018-04-09 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 一种数据处理的方法、装置、终端设备及存储介质 |
CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
CN109447273A (zh) * | 2018-09-30 | 2019-03-08 | 深圳市元征科技股份有限公司 | 模型训练方法、广告推荐方法、相关装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
王天华: "基于改进的GBDT算法的乘客出行预测研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
CN110598747B (zh) * | 2019-08-13 | 2023-05-02 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
CN112926701A (zh) * | 2021-05-10 | 2021-06-08 | 北京人人云图信息技术有限公司 | 一种基于gcn半监督的航空乘客的分类方法和系统及其设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN108303108A (zh) | 一种基于车辆历史轨迹的个性化路线推荐方法 | |
CN113902011A (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
CN109034448A (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
CN109034469A (zh) | 一种基于机器学习的游客流量预测方法 | |
CN109784416B (zh) | 基于手机信令数据的半监督svm的交通方式判别方法 | |
CN107944472B (zh) | 一种基于迁移学习的空域运行态势计算方法 | |
CN103942606A (zh) | 基于果蝇智能优化算法的居民用电客户细分方法 | |
CN107730059A (zh) | 基于机器学习的变电站电量趋势预测分析的方法 | |
WO2023050955A1 (zh) | 一种基于功能混合度和集成学习的城市功能区识别方法 | |
CN109978056A (zh) | 一种基于机器学习的地铁乘客分类方法 | |
CN113159149B (zh) | 一种企业办公地址的识别方法及装置 | |
CN109118020A (zh) | 一种地铁车站能耗短期预测方法及其预测系统 | |
CN104199840A (zh) | 基于统计模型的智能地名识别技术 | |
CN114997499A (zh) | 一种半监督学习下的城市颗粒物浓度时空预测方法 | |
CN112580636A (zh) | 一种基于跨模态协同推理的图像美学质量评价方法 | |
CN109146063A (zh) | 一种基于重要点分割的多分段短期负荷预测方法 | |
CN110245773A (zh) | 一种多源实况时空预报因子提取及纳入模式解释应用的方法 | |
CN110503485A (zh) | 地理区域分类方法及装置、电子设备、存储介质 | |
CN115100395A (zh) | 一种融合poi预分类和图神经网络的城市街区功能分类方法 | |
CN109583503A (zh) | 一种可中断负荷预测方法 | |
CN114511061A (zh) | 基于深度神经网络的岸滨地区海雾能见度预报方法 | |
CN113537569A (zh) | 一种基于权重堆叠决策树的短时公交客流预测方法及系统 | |
CN109242039A (zh) | 一种基于候选标记估计的未标记数据利用方法 | |
Mao et al. | Naive Bayesian algorithm classification model with local attribute weighted based on KNN |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190705 |
|
WD01 | Invention patent application deemed withdrawn after publication |