CN110070371A - 一种数据预测模型建立方法及其设备、存储介质、服务器 - Google Patents

一种数据预测模型建立方法及其设备、存储介质、服务器 Download PDF

Info

Publication number
CN110070371A
CN110070371A CN201711161275.3A CN201711161275A CN110070371A CN 110070371 A CN110070371 A CN 110070371A CN 201711161275 A CN201711161275 A CN 201711161275A CN 110070371 A CN110070371 A CN 110070371A
Authority
CN
China
Prior art keywords
data point
historical data
distribution parameter
user
point set
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
Application number
CN201711161275.3A
Other languages
English (en)
Other versions
CN110070371B (zh
Inventor
李勇
王寰东
金德鹏
孙福宁
孟凡超
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201711161275.3A priority Critical patent/CN110070371B/zh
Publication of CN110070371A publication Critical patent/CN110070371A/zh
Application granted granted Critical
Publication of CN110070371B publication Critical patent/CN110070371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开一种数据预测模型建立方法及其设备、存储介质、服务器，其中方法包括如下步骤：获取第一用户标识对应的第一历史数据点集合，并所述第一用户标识在所述第一历史数据点集合中的第一分布参数；基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数；获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。采用本发明，可以较好地描述用户移动规律的周期性和长时相关性，提高对移动状态预测的准确性。

Description

一种数据预测模型建立方法及其设备、存储介质、服务器
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据预测模型建立方法及其设备、存储介质、服务器。
背景技术
随着互联网技术的不断发展，智能手机、平板电脑等智能设备中安装的很多终端应用(例如，交互应用、电子地图等)都可以根据用户的移动规律预测用户的将来移动状态，即可以预测用户在给定时间可能所处的位置或者在给定位置可能对应的时间，进而相关的终端应用可以向用户进行信息定点推送或者精准广告投放。例如，早上8点张某在居民楼B开启某打车APP时，该APP可以预测到张某可能在9点是到达办公楼C，该APP可以向张某发送办公楼附近的早餐信息推荐。
现有技术中，马尔可夫模型(Markov Model)或卡尔曼滤波(Kalman filtering)模型都可以作为预测用户移动状态的数据预测模型，通过用户的前一状态完成对用户移动状态的预测，然而，由于马尔可夫模型和卡尔曼滤波模型均是采用用户的前一状态完成对将来移动状态的预测，对于具有较强周期性的用户移动行为(例如，每天的通勤行为、每周工作日双休日切换的行为)，上述两种数据预测模型无法对用户移动规律的周期性和长时相关性进行描述，从而会影响对移动状态预测的准确性。
发明内容
本发明实施例提供一种数据预测模型建立方法及其设备、存储介质、服务器，通过大量用户的历史轨迹数据的集合分析大量用户的移动规律以及单个用户的移动规律，可以较好地描述用户移动规律的周期性和长时相关性，提高对移动状态预测的准确性。
本发明实施例第一方面提供了一种数据预测模型建立方法，可包括：
获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
在一种可能的设计中，所述获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，包括：
检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型；
根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。
在一种可能的设计中，所述检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型，包括：
将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合；
检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型。
在一种可能的设计中，还包括：
采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，根据所述对应关系向所述第二用户标识发送针对所述下一数据点的推送消息。
在一种可能的设计中，还包括：
根据所述第二用户标识的下一数据点所指示的时间状态，将所述第二用户标识归类至具有相同时间状态的第三用户标识中，向所述第三用户标识发送推送消息。
本发明实施例第二方面提供了一种数据预测模型建立设备，可包括：
第一参数获取模块，用于获取第一用户标识对应的历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
第二参数获取模块，用于基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
第三参数获取模块，用于获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
模型生成模块，用于采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
在一种可能的设计中，所述第三参数获取模块包括：
类型检测单元，用于检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型；
参数获取单元，用于根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。
在一种可能的设计中，所述类型检测单元包括：
类型集合获取子单元，用于将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合；
类型确定子单元，用于检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型。
在一种可能的设计中，还包括：
消息发送模块，用于采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，根据所述对应关系向所述第二用户标识发送针对所述下一数据点的推送消息。
在一种可能的设计中，所述消息发送模块具有用于，
根据所述第二用户标识的下一数据点所指示的时间状态，将所述第二用户标识归类至具有相同时间状态的第三用户标识中，向所述第三用户标识发送推送消息。
本发明实施例第三方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行以下步骤：
获取第一用户标识对应的历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
本发明实施例第四方面提供了一种终端，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行以下步骤：
获取第一用户标识对应的历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
在本发明实施例中，通过获取第一用户标识对应的历史数据点集合，并获取第一用户标识在第一历史数据点集合中的第一分布参数，第一历史数据点集合中的各历史数据点包括时间状态和位置状态，再基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数，然后获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，最后采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。通过分析根据全局数据和部分数据生成模型参数的过程，使所生成的数据预测模型可以描述用户移动规律的周期性和长时相关性，提高了对移动状态预测的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种数据预测模型建立方法的流程示意图；
图2是本发明实施例提供的另一种数据预测模型建立方法的流程示意图；
图3是本发明实施例提供的一种模型架构示意图；
图4是本发明实施例提供的另一种数据预测模型建立方法的流程示意图；
图5是本发明实施例提供的一种数据预测场景架构图；
图6是本发明实施例提供的一种数据预测模型建立设备的结构示意图；
图7是本发明实施例提供的另一种数据预测模型建立设备的结构示意图；
图8是本发明实施例提供的第三参数获取模块的结构示意图；
图9是本发明实施例提供的类型检测单元的结构示意图；
图10是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
本发明实施例提供的数据预测模型建立方法可以应用于根据预测的用户的移动状态进行基于时间、地理位置相关的信息定点推送，精准广告投放的场景中，例如：数据预测模型建立设备通过获取第一用户标识对应的历史数据点集合，并获取所述第一用户标识在所述历史数据点集合中的第一分布参数，所述历史数据点集合中的各历史数据点包括时间状态和位置状态，再基于所述历史数据点集合检测第二用户标识在所述历史数据点集合中的第二分布参数，然后获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，最后采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。通过分析根据全局数据和部分数据生成模型参数的过程，使所生成的数据预测模型可以描述用户移动规律的周期性和长时相关性，提高了对移动状态预测的准确性。
本发明实施例涉及的数据预测模型建立设备可以是具有较强的数据承载能力和处理能力的服务器。
下面将结合附图1-附图4，对本发明实施例提供的数据预测模型建立方法进行详细介绍。
请参见图1，为本发明实施例提供了一种数据预测模型建立方法的流程示意图。如图1所示，本发明实施例的所述方法可以包括以下步骤S101-步骤S104。
S101，获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数；
具体的，数据预测模型建立设备可以获取第一用户标识对应的历史数据点集合，可以理解的是，用户标识可以是用户注册相关终端应用(例如，社交应用、外卖应用以及地图导航应用等)时的用户名或者其他可以唯一区别用户身份的标识信息，所述第一用户标识可以是所述相关终端应用对应的所有用户的标识信息，也可以是部分用户的标识信息。历史数据点可以是用户在特定地点范围、特定时间范围出现的行为即一个Habit，例如，用户在其住宅，通常出现在清晨、晚上、深夜，而在其工作地点通常出现在白天，所述第一历史数据点集合可以是所述第一用户标识所指示的用户在历史时间段(例如，一年、一季度或者一个月等其他时间段)内出现的所有Habit的集合，即大量用户的历史轨迹数据。
进一步的，所述数据预测模型建立设备可以获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，可以理解的是，所述第一分布参数可以指示所述第一用户标识在所述第一历史数据点集合(即所有历史Habit)上的分布参数。
在可选实施例中，所述数据预测模型建立设备可以采用分层狄利克雷过程(Hierarchical Dirichlet Processes，DHP)获取所述第一用户标识即全局用户在所有Habit上的狄利克雷多项式分布，即第一分布参数，可以用)。π表示所述第一分布参数。可以理解的是，狄利克雷分布通常用来描述混合模型中每个成分多项式分布对应的系数pi的分布(Dirichlet分布为多项式分布的对偶先验)，而狄利克雷过程进一步引入了自适应决定构成成分个数的功能。我们将每个用户在Habit上的分布假设为一个Dirichlet过程，同时所有用户(用户群体)服从一个总体的Dirichlet过程。
S102，基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
具体的，所述数据预测模型建立设备可以基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数，可以理解的是，所述第二用户标识可以是所述第一用户标识中的任一用户标识，所述第二分布参数可以指示所述第二用户标识在所述第一历史数据点集合(即所有历史Habit)上的分布参数。
在可选实施例中，所述数据预测模型建立设备在获取所述第一分布参数后，可以采用所述DHP确定所述第二用户标识即某一用户在所有Habit上的狄利克雷多项式分布，即第二分布参数，可以用η表示所述第二分布参数。可以理解的是，由于狄利克雷混合模型的后延概率并无闭式解，所述数据预测模型建立设备具体可以采用吉布斯采样(GibbsSampling)最终得到Habit的多项式分布所服从的狄利克雷先验分布参数。
S103，获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
具体的，所述数据预测模型建立设备可以获取所述第二用户标识的第二历史数据点集合，可以理解的是，所述第二历史数据点集合可以是所述第二用户标识对应的具体用户的一系列Habit的集合，所述第二历史数据点集合中的各历史数据点可以位于所述第一历史数据点集合中，也可以是所述数据预测模型中已经存储的针对具体用户的一系列数据点。
进一步的，所述数据预测模型建立设备可以获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，可以理解的是，所述当前历史数据点可以是所述第二历史数据点集合中的任一数据点，即针对所述第二用户标识对应的用户的任一Habit。所述时间分布参数可以指示所述当前数据点在时间模式下的分布参数，可以用ζ表示，所述位置分布参数可以指示所述当前数据点在地点模式下的分布参数，可以用φ表示。
在可选实施例中，所述数据预测模型建立设备可以检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型，然后根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。可以理解的是，所述数据的类型可以指示各历史数据点属于哪种类型的Habit，例如，办公楼工作和住宅区休息是两种不同类型的数据点。历史数据点集合(包括第一历史数据的集合和第二历史数据的集合)中包含的历史数据点的个数大于或等于所有历史数据点对应的数据点类型的个数，例如，历史数据点集合中有2000个数据点，但有只有1000个数据点类型，即每种数据点类型对应至少一个数据点。
S104，采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型；
具体的，所述数据预测模型建立设备可以采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
可以理解的是，每个Habit在空间上服从二维高斯分布、每日时间上服从冯·米塞斯分布(von Mises distribution)的时空坐标集合，二维高斯分布用以模拟用户在某地点附近随机移动与随机噪声，von Mises分布用以模拟用户处于某Habit的时间分布类似于一维高斯分布，但由于时间是循环变量，其分布在每日边界处应是连续的，因此采用vonMises分布(常被称作循环正态分布)。所述数据预测模型可以是服从二维高斯分布和vonMises分布的一系列基本分布概率密度叠加所形成的混合模型，其概率密度具体可以表述为：
其中为一个基本构成成分相当于一个Habit，φ和ζ为其对应的参数，所有pi之和为1，得到用户基于Habit的混合分布后，可以根据公式(1)预测用户任意时刻在地点上的分布，或者根据公式(2)预测用户任意地点在时间上的分布
需要说明的是，第一分布参数π和第二分布参数η与上述参数p为等价关系，φ是每个数据点状态的地理位置的高斯均值和方差，ζ是每个数据点状态对应的参数(Von mises为方向和散度，一维高斯是方差和均值)。π和η分别是第一用户标识对应的全局用户/第二用户标识对应的某一用户在每个数据点状态上的多项式分布。
在本发明实施例中，通过获取第一用户标识对应的历史数据点集合，并获取第一用户标识在第一历史数据点集合中的第一分布参数，第一历史数据点集合中的各历史数据点包括时间状态和位置状态，再基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数，然后获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，最后采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。通过分析根据全局数据和部分数据生成模型参数的过程，使所生成的数据预测模型可以描述用户移动规律的周期性和长时相关性，提高了对移动状态预测的准确性。
请参见图2，为本发明实施例提供了另一种数据预测模型建立方法的流程示意图。如图2所示，本发明实施例的所述方法可以包括以下步骤S201-步骤S207。
S201，获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数；
具体的，数据预测模型建立设备可以获取第一用户标识对应的历史数据点集合，可以理解的是，用户标识可以是用户注册相关终端应用(例如，社交应用、外卖应用以及地图导航应用等)时的用户名或者其他可以唯一区别用户身份的标识信息，所述第一用户标识可以是所述相关终端应用对应的所有用户的标识信息，也可以是部分用户的标识信息。历史数据点可以是用户在特定地点范围、特定时间范围出现的行为即一个Habit，例如，用户在其住宅，通常出现在清晨、晚上、深夜，而在其工作地点通常出现在白天，所述第一历史数据点集合可以是所述第一用户标识所指示的用户在历史时间段(例如，一年、一季度或者一个月等其他时间段)内出现的所有Habit的集合，即大量用户的历史轨迹数据。
进一步的，所述数据预测模型建立设备可以获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，可以理解的是，所述第一分布参数可以指示所述第一用户标识在所述第一历史数据点集合(即所有历史Habit)上的分布参数。
在可选实施例中，所述数据预测模型建立设备可以采用分层狄利克雷过程DHP获取所述第一用户标识即全局用户在所有Habit上的狄利克雷多项式分布，即第一分布参数，可以用)。π表示所述第一分布参数。可以理解的是，狄利克雷分布通常用来描述混合模型中每个成分多项式分布对应的系数pi的分布(Dirichlet分布为多项式分布的对偶先验)，而狄利克雷过程进一步引入了自适应决定构成成分个数的功能。我们将每个用户在Habit上的分布假设为一个Dirichlet过程，同时所有用户(用户群体)服从一个总体的Dirichlet过程。
S202，基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
具体的，所述数据预测模型建立设备可以基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数，可以理解的是，所述第二用户标识可以是所述第一用户标识中的任一用户标识，所述第二分布参数可以指示所述第二用户标识在所述第一历史数据点集合(即所有历史Habit)上的分布参数。
在可选实施例中，所述数据预测模型建立设备在获取所述第一分布参数后，可以采用所述DHP确定所述第二用户标识即某一用户在所有Habit上的狄利克雷多项式分布，即第二分布参数，可以用η表示所述第二分布参数。可以理解的是，由于狄利克雷混合模型的后延概率并无闭式解，所述数据预测模型建立设备具体可以采用吉布斯采样(GibbsSampling)最终得到Habit的多项式分布所服从的狄利克雷先验分布参数。
S203，获取所述第二用户标识的第二历史数据点集合；
具体的，所述数据预测模型建立设备可以获取所述第二用户标识的第二历史数据点集合，可以理解的是，所述第二历史数据点集合可以是所述第二用户标识对应的具体用户的一系列Habit的集合，所述第二历史数据点集合中的各历史数据点可以位于所述第一历史数据点集合中，也可以是所述数据预测模型中已经存储的针对具体用户的一系列数据点。
S204，检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型；
具体的，所述数据预测模型建立设备可以检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型，可以理解的是，所述当前历史数据点可以是所述第二历史数据点集合中的任一数据点，即针对所述第二用户标识对应的用户的任一Habit。所述数据的类型可以指示各历史数据点属于哪种类型的Habit，例如，办公楼工作和住宅区休息是两种不同类型的数据点。历史数据点集合(包括第一历史数据的集合和第二历史数据的集合)中包含的历史数据点的个数大于或等于所有历史数据点对应的数据点类型的个数，例如，历史数据点集合中有2000个数据点，但有只有1000个数据点类型，即每种数据点类型对应至少一个数据点。
在可选实施例中，所述数据预测模型建立设备可以将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合，然后检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型。可以理解的是，所述数据的类型集合中的数据点个数和数据点类型个数是一致的，即每种类型的数据点只选择一个放入得到数据点类型集合中。
S205，根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数；
在本发明实施例中，当所述数据预测模型建立设备检测到所述当前数据点所属的数据点类型后，可以根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数，可以理解的是，所述参数学习算法可以是采用分层狄利克雷进行描述的过程，所述当前历史数据点的时间状态对应的时间分布参数可以指示所述当前数据点在时间模式下的分布参数，可以用ζ表示，所述当前历史数据点的位置状态对应的位置分布参数可以指示所述当前数据点在地点模式下的分布参数，可以用φ表示。
S206，采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型；
具体的，所述数据预测模型建立设备可以采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
可以理解的是，每个Habit在空间上服从二维高斯分布、每日时间上服从冯·米塞斯分布(von Mises distribution)的时空坐标集合，二维高斯分布用以模拟用户在某地点附近随机移动与随机噪声，von Mises分布用以模拟用户处于某Habit的时间分布类似于一维高斯分布，但由于时间是循环变量，其分布在每日边界处应是连续的，因此采用vonMises分布(常被称作循环正态分布)。所述数据预测模型可以是服从二维高斯分布和vonMises分布的一系列基本分布概率密度叠加所形成的混合模型，其概率密度具体可以表述为：
其中为一个基本构成成分相当于一个Habit，φ和ζ为其对应的参数，所有pi之和为1，得到用户基于Habit的混合分布后，可以根据公式(1)预测用户任意时刻在地点上的分布，或者根据公式(2)预测用户任意地点在时间上的分布
在本发明实施例的具体实现方式中，所述数据预测模型中各模型参数的在模型中的架构图可以如图3所示。其中，α是集中系数，与第一用户标识对应的数据点的个数成正比，可以取经验值，第一分布参数π和第二分布参数η与上述参数p为等价关系，G是正态逆威沙特分布(Normal-Inverse-Wishart，NIW分布)，φ是每个数据点状态的地理位置的高斯均值和方差，H是Von mises(用一维高斯也可以)的先验分布，ζ是每个数据点状态对应的参数(Von mises为方向和散度，一维高斯是方差和均值)。π和η分别是第一用户标识对应的全局用户/第二用户标识对应的某一用户在每个数据点状态上的多项式分布，zn是每个数据点的状态，xn、tn是每个数据点的观测经纬度、时间。U是用户的个数，N是每个用户数据点的个数。
S207，采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，根据所述对应关系向所述第二用户标识发送针对所述下一数据点的推送消息；
具体的，所述数据预测模型建立设备可以采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，可以理解的是，所述第二用户标识的下一数据点可以是所述第二用户标识指示的用户在将来时刻的Habit，例如，现在为上午10点，用户A的下一数据点可以是时间状态11:30以及该时间状态可能对应的地点即位置状态。
进一步的，所述数据预测模型建立设备可以根据所述对应关系，确定所述第二用户标识指示的用户在将来时刻所处的数据点状态，即下一数据点可能的时间状态和位置状态，向所述第二用户标识发送针对所述下一数据点的推送消息，可以理解的是，所述推送消息可以是与所述下一数据点的时间和地点具有关联关系的消息，例如，当下一数据点可能是11:30位于办公楼A时，所述推送消息可以是针对办公楼附近的餐厅的推送消息。
在本发明实施例中，通过采用狄利克雷分层过程进行参数的学习，充分利用了样本数据，有效缓解了数据量较小带来的模型预测能力下降，对于不均衡的数据，提升了数据量较少的用户预测性能。
在本发明实施例一种具体实现方式中，所述检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型可以包括以下几个步骤，如图4所示：
S301，将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合；
具体的，所述数据预测模型建立设备可以将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合，可以理解的是，所述数据的类型集合中的数据点个数和数据点类型个数是一致的，即每种类型的数据点只选择一个放入得到数据点类型集合中。
S302，检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型；
具体的，所述数据预测模型建立设备可以检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，可以理解的是，所述相似度概率可以指示所述当前数据点与不同类型的数据点之间的相似程度。
进一步的，所述数据预测模型建立设备可以将相似度概率值最大时所指向的所述数据点类型集合中数据点类型确定所述当前数据点所属的数据点类型。
在本发明实施例一种具体实现方式中，所述数据预测模型建立设备还可以根据所述第二用户标识的下一数据点所指示的时间状态，将所述第二用户标识归类至具有相同时间状态的第三用户标识中，向所述第三用户标识发送推送消息；
可以理解的是，所述第三用户标识可以是所述第一用户标识中具有相同移动规律的Habit对应的用户标识，所述第三用户标识对应的用户可能在相同的时间点会对应相同的位置，例如，一个办公大楼的人，在上午10点可能都处于办公楼A，所述数据预测模型建立设备向所述第三用户标识的用户发送的推送消息可以是针对这一类特定人群的效率，例如，针对办公楼A中人所发送的办公楼A附近的娱乐信息推荐等。
在本发明实施例中，通过预测用户将来的数据点状态向用户发送相关的推送消息，增加了根据预测的数据点状态发送推送消息的精准性。
在本发明实施例中，通过获取第一用户标识对应的历史数据点集合，并获取第一用户标识在第一历史数据点集合中的第一分布参数，第一历史数据点集合中的各历史数据点包括时间状态和位置状态，再基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数，然后获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，最后采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。通过分析根据全局数据和部分数据生成模型参数的过程，使所生成的数据预测模型可以描述用户移动规律的周期性和长时相关性，提高了对移动状态预测的准确性；通过采用狄利克雷分层过程进行参数的学习，充分利用了样本数据，有效缓解了数据量较小带来的模型预测能力下降，对于不均衡的数据，提升了数据量较少的用户预测性能；通过预测用户将来的数据点状态向用户发送相关的推送消息，增加了根据预测的数据点状态发送推送消息的精准性。
在本发明实施例中的一种具体实现场景中，例如，在服务器建立数据预测模型的基础上，移动终端基于该数据预测模型预测用户将来的行为状态，并向该用户发送推送消息的场景(例如，手机终端中的地图导航应用或者团购应用，在预测用户下一行为状态的基础上，为用户发送与下一行为相关的推送信息)，该实现场景的应用架构如图5所示：
移动终端20-2n可以分别将相关终端应用(例如，地图导航应用或者团购应用)的历史数据点集合发送至服务器1。
所述服务器1，可以获取并存储上述历史数据点集合组成第一用户标识对应的第一历史数据点集合，然后获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数。
需要说明的是，所述第一用户标识可以是上述相关终端应用对应的部分或全部用户的用户标识，所述服务器1可以是上述数据预测模型建立设备，可以是移动终端20-2n中的终端应用对应的应用服务器。
进一步的，所述服务器1可以基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数，可以理解的是，所述第二用户标识可以是上述相关终端应用的某一用户对应的用户标识。
进一步的，所述服务器1可以获取所述第二用户标识的第二历史数据点集合。
进一步的，所述服务器1可以检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型。
进一步的，所述服务器1可以根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。
进一步的，所述服务器1可以采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
进一步的，所述服务器1可以采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，根据所述对应关系向所述第二用户标识发送针对所述下一数据点的推送消息，例如，地图导航应用对应的应用服务器可以向地图导航应用发送用户可能进行的下一行为(例如，上午9点到公司)对应的推送消息(例如，办公楼附近的停车场)。
进一步的，移动终端20-2n可以接收所述服务器1发送的推送消息，并向用户展示所述推送消息。
在本发明实施例中，通过获取第一用户标识对应的历史数据点集合，并获取第一用户标识在第一历史数据点集合中的第一分布参数，第一历史数据点集合中的各历史数据点包括时间状态和位置状态，再基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数，然后获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，最后采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。通过分析根据全局数据和部分数据生成模型参数的过程，使所生成的数据预测模型可以描述用户移动规律的周期性和长时相关性，提高了对移动状态预测的准确性；通过采用狄利克雷分层过程进行参数的学习，充分利用了样本数据，有效缓解了数据量较小带来的模型预测能力下降，对于不均衡的数据，提升了数据量较少的用户预测性能；通过预测用户将来的数据点状态向用户发送相关的推送消息，增加了根据预测的数据点状态发送推送消息的精准性。
下面将结合附图6-附图9，对本发明实施例提供的数据预测模型建立设备进行详细介绍。需要说明的是，附图6-附图9所示的设备，用于执行本发明图1-图4所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1-图4所示的实施例。
请参见图6，为本发明实施例提供了一种数据预测模型建立设备的结构示意图。如图6所示，本发明实施例的所述数据预测模型建立设备1可以包括：第一参数获取模块11、第二参数获取模块12、第三参数获取模块13和模型生成模块14。
第一参数获取模块11，用于获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数；
具体实现中，第一参数获取模块11可以获取第一用户标识对应的历史数据点集合，可以理解的是，用户标识可以是用户注册相关终端应用(例如，社交应用、外卖应用以及地图导航应用等)时的用户名或者其他可以唯一区别用户身份的标识信息，所述第一用户标识可以是所述相关终端应用对应的所有用户的标识信息，也可以是部分用户的标识信息。历史数据点可以是用户在特定地点范围、特定时间范围出现的行为即一个Habit，例如，用户在其住宅，通常出现在清晨、晚上、深夜，而在其工作地点通常出现在白天，所述第一历史数据点集合可以是所述第一用户标识所指示的用户在历史时间段(例如，一年、一季度或者一个月等其他时间段)内出现的所有Habit的集合，即大量用户的历史轨迹数据。
进一步的，所述第一参数获取模块11可以获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，可以理解的是，所述第一分布参数可以指示所述第一用户标识在所述第一历史数据点集合(即所有历史Habit)上的分布参数。
在可选实施例中，所述第一参数获取模块11可以采用分层狄利克雷过程(Hierarchical Dirichlet Processes，DHP)获取所述第一用户标识即全局用户在所有Habit上的狄利克雷多项式分布，即第一分布参数，可以用)。π表示所述第一分布参数。可以理解的是，狄利克雷分布通常用来描述混合模型中每个成分多项式分布对应的系数pi的分布(Dirichlet分布为多项式分布的对偶先验)，而狄利克雷过程进一步引入了自适应决定构成成分个数的功能。我们将每个用户在Habit上的分布假设为一个Dirichlet过程，同时所有用户(用户群体)服从一个总体的Dirichlet过程。
第二参数获取模块12，用于基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
具体实现中，第二参数获取模块12可以基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数，可以理解的是，所述第二用户标识可以是所述第一用户标识中的任一用户标识，所述第二分布参数可以指示所述第二用户标识在所述第一历史数据点集合(即所有历史Habit)上的分布参数。
在可选实施例中，所述第一参数获取模块11在获取所述第一分布参数后，所述第二参数获取模块12可以采用所述DHP确定所述第二用户标识即某一用户在所有Habit上的狄利克雷多项式分布，即第二分布参数，可以用η表示所述第二分布参数。可以理解的是，由于狄利克雷混合模型的后延概率并无闭式解，所述数据预测模型建立设备具体可以采用吉布斯采样(Gibbs Sampling)最终得到Habit的多项式分布所服从的狄利克雷先验分布参数。
第三参数获取模块13，用于获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
具体实现中，第三参数获取模块13可以获取所述第二用户标识的第二历史数据点集合，可以理解的是，所述第二历史数据点集合可以是所述第二用户标识对应的具体用户的一系列Habit的集合，所述第二历史数据点集合中的各历史数据点可以位于所述第一历史数据点集合中，也可以是所述数据预测模型中已经存储的针对具体用户的一系列数据点。
进一步的，所述第三参数获取模块13可以获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，可以理解的是，所述当前历史数据点可以是所述第二历史数据点集合中的任一数据点，即针对所述第二用户标识对应的用户的任一Habit。所述时间分布参数可以指示所述当前数据点在时间模式下的分布参数，可以用ζ表示，所述位置分布参数可以指示所述当前数据点在地点模式下的分布参数，可以用φ表示。
在可选实施例中，所述第三参数获取模块13可以检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型，然后根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。可以理解的是，所述数据的类型可以指示各历史数据点属于哪种类型的Habit，例如，办公楼工作和住宅区休息是两种不同类型的数据点。历史数据点集合(包括第一历史数据的集合和第二历史数据的集合)中包含的历史数据点的个数大于或等于所有历史数据点对应的数据点类型的个数，例如，历史数据点集合中有2000个数据点，但有只有1000个数据点类型，即每种数据点类型对应至少一个数据点。
模型生成模块14，用于采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型；
具体实现中，模型生成模块14可以采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
可以理解的是，每个Habit在空间上服从二维高斯分布、每日时间上服从冯·米塞斯分布(von Mises distribution)的时空坐标集合，二维高斯分布用以模拟用户在某地点附近随机移动与随机噪声，von Mises分布用以模拟用户处于某Habit的时间分布类似于一维高斯分布，但由于时间是循环变量，其分布在每日边界处应是连续的，因此采用vonMises分布(常被称作循环正态分布)。所述数据预测模型可以是服从二维高斯分布和vonMises分布的一系列基本分布概率密度叠加所形成的混合模型，其概率密度具体可以表述为：
其中为一个基本构成成分相当于一个Habit，φ和ζ为其对应的参数，所有pi之和为1，得到用户基于Habit的混合分布后，可以根据公式(1)预测用户任意时刻在地点上的分布，或者根据公式(2)预测用户任意地点在时间上的分布
需要说明的是，第一分布参数π和第二分布参数η与上述参数p为等价关系，φ是每个数据点状态的地理位置的高斯均值和方差，ζ是每个数据点状态对应的参数(Von mises为方向和散度，一维高斯是方差和均值)。π和η分别是第一用户标识对应的全局用户/第二用户标识对应的某一用户在每个数据点状态上的多项式分布。
在本发明实施例中，通过获取第一用户标识对应的历史数据点集合，并获取第一用户标识在第一历史数据点集合中的第一分布参数，第一历史数据点集合中的各历史数据点包括时间状态和位置状态，再基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数，然后获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，最后采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。通过分析根据全局数据和部分数据生成模型参数的过程，使所生成的数据预测模型可以描述用户移动规律的周期性和长时相关性，提高了对移动状态预测的准确性。
请参见图7，为本发明实施例提供了另一种数据预测模型建立设备的结构示意图。如图7所示，本发明实施例的所述数据预测模型建立设备1可以包括：第一参数获取模块11、第二参数获取模块12、第三参数获取模块13、模型生成模块14和消息发送模块15。
第一参数获取模块11，用于获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数；
具体实现中，第一参数获取模块11可以获取第一用户标识对应的历史数据点集合，可以理解的是，用户标识可以是用户注册相关终端应用(例如，社交应用、外卖应用以及地图导航应用等)时的用户名或者其他可以唯一区别用户身份的标识信息，所述第一用户标识可以是所述相关终端应用对应的所有用户的标识信息，也可以是部分用户的标识信息。历史数据点可以是用户在特定地点范围、特定时间范围出现的行为即一个Habit，例如，用户在其住宅，通常出现在清晨、晚上、深夜，而在其工作地点通常出现在白天，所述第一历史数据点集合可以是所述第一用户标识所指示的用户在历史时间段(例如，一年、一季度或者一个月等其他时间段)内出现的所有Habit的集合，即大量用户的历史轨迹数据。
进一步的，所述第一参数获取模块11可以获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，可以理解的是，所述第一分布参数可以指示所述第一用户标识在所述第一历史数据点集合(即所有历史Habit)上的分布参数。
在可选实施例中，所述第一参数获取模块11可以采用分层狄利克雷过程DHP获取所述第一用户标识即全局用户在所有Habit上的狄利克雷多项式分布，即第一分布参数，可以用)。π表示所述第一分布参数。可以理解的是，狄利克雷分布通常用来描述混合模型中每个成分多项式分布对应的系数pi的分布(Dirichlet分布为多项式分布的对偶先验)，而狄利克雷过程进一步引入了自适应决定构成成分个数的功能。我们将每个用户在Habit上的分布假设为一个Dirichlet过程，同时所有用户(用户群体)服从一个总体的Dirichlet过程。
第二参数获取模块12，用于基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
具体实现中，第二参数获取模块12可以基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数，可以理解的是，所述第二用户标识可以是所述第一用户标识中的任一用户标识，所述第二分布参数可以指示所述第二用户标识在所述第一历史数据点集合(即所有历史Habit)上的分布参数。
在可选实施例中，所述第二参数获取模块12在获取所述第一分布参数后，可以采用所述DHP确定所述第二用户标识即某一用户在所有Habit上的狄利克雷多项式分布，即第二分布参数，可以用η表示所述第二分布参数。可以理解的是，由于狄利克雷混合模型的后延概率并无闭式解，所述数据预测模型建立设备具体可以采用吉布斯采样(GibbsSampling)最终得到Habit的多项式分布所服从的狄利克雷先验分布参数。
第三参数获取模块13，用于获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
具体实现中，第三参数获取模块13可以获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数。可以理解的是，所述第二历史数据点集合可以是所述第二用户标识对应的具体用户的一系列Habit的集合，所述第二历史数据点集合中的各历史数据点可以位于所述第一历史数据点集合中，也可以是所述数据预测模型中已经存储的针对具体用户的一系列数据点。
请一并参考图8，为本发明实施例提供了第三参数获取模块的结构示意图。如图8所示，所述第三参数获取模块13可以包括：
类型检测单元131，用于检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型；
具体实现中，类型检测单元131可以检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型，可以理解的是，所述当前历史数据点可以是所述第二历史数据点集合中的任一数据点，即针对所述第二用户标识对应的用户的任一Habit。所述数据的类型可以指示各历史数据点属于哪种类型的Habit，例如，办公楼工作和住宅区休息是两种不同类型的数据点。历史数据点集合(包括第一历史数据的集合和第二历史数据的集合)中包含的历史数据点的个数大于或等于所有历史数据点对应的数据点类型的个数，例如，历史数据点集合中有2000个数据点，但有只有1000个数据点类型，即每种数据点类型对应至少一个数据点。
在可选实施例中，所述类型检测单元131可以将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合，然后检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型。可以理解的是，所述数据的类型集合中的数据点个数和数据点类型个数是一致的，即每种类型的数据点只选择一个放入得到数据点类型集合中。
参数获取单元132，用于根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数；
在本发明实施例中，当所述类型检测单元131检测到所述当前数据点所属的数据点类型后，参数获取单元132可以根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数，可以理解的是，所述参数学习算法可以是采用分层狄利克雷进行描述的过程，所述当前历史数据点的时间状态对应的时间分布参数可以指示所述当前数据点在时间模式下的分布参数，可以用ζ表示，所述当前历史数据点的位置状态对应的位置分布参数可以指示所述当前数据点在地点模式下的分布参数，可以用φ表示。
模型生成模块14，用于采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型；
具体实现中，模型生成模块14可以采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
可以理解的是，每个Habit在空间上服从二维高斯分布、每日时间上服从冯·米塞斯分布(von Mises distribution)的时空坐标集合，二维高斯分布用以模拟用户在某地点附近随机移动与随机噪声，von Mises分布用以模拟用户处于某Habit的时间分布类似于一维高斯分布，但由于时间是循环变量，其分布在每日边界处应是连续的，因此采用vonMises分布(常被称作循环正态分布)。所述数据预测模型可以是服从二维高斯分布和vonMises分布的一系列基本分布概率密度叠加所形成的混合模型，其概率密度具体可以表述为：
其中为一个基本构成成分相当于一个Habit，φ和ζ为其对应的参数，所有pi之和为1，得到用户基于Habit的混合分布后，可以根据公式(1)预测用户任意时刻在地点上的分布，或者根据公式(2)预测用户任意地点在时间上的分布
在本发明实施例的具体实现方式中，所述数据预测模型中各模型参数的在模型中的架构图可以如图3所示。其中，α是集中系数，与第一用户标识对应的数据点的个数成正比，可以取经验值，第一分布参数π和第二分布参数η与上述参数p为等价关系，G是正态逆威沙特分布(Normal-Inverse-Wishart，NIW分布)，φ是每个数据点状态的地理位置的高斯均值和方差，H是Von mises(用一维高斯也可以)的先验分布，ζ是每个数据点状态对应的参数(Von mises为方向和散度，一维高斯是方差和均值)。π和η分别是第一用户标识对应的全局用户/第二用户标识对应的某一用户在每个数据点状态上的多项式分布，zn是每个数据点的状态，xn、tn是每个数据点的观测经纬度、时间。U是用户的个数，N是每个用户数据点的个数。
消息发送模块15，用于采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，根据所述对应关系向所述第二用户标识发送针对所述下一数据点的推送消息；
具体实现中，消息发送模块15可以采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，可以理解的是，所述第二用户标识的下一数据点可以是所述第二用户标识指示的用户在将来时刻的Habit，例如，现在为上午10点，用户A的下一数据点可以是时间状态11:30以及该时间状态可能对应的地点即位置状态。
进一步的，所述消息发送模块15可以根据所述对应关系，确定所述第二用户标识指示的用户在将来时刻所处的数据点状态，即下一数据点可能的时间状态和位置状态，向所述第二用户标识发送针对所述下一数据点的推送消息，可以理解的是，所述推送消息可以是与所述下一数据点的时间和地点具有关联关系的消息，例如，当下一数据点可能是11:30位于办公楼A时，所述推送消息可以是针对办公楼附近的餐厅的推送消息。
在本发明实施例中，通过采用狄利克雷分层过程进行参数的学习，充分利用了样本数据，有效缓解了数据量较小带来的模型预测能力下降，对于不均衡的数据，提升了数据量较少的用户预测性能。
在本发明实施例一种具体实现方式中，所述类型检测单元131可以包括以下几个子单元，如图9所示：
类型集合获取子单元1311，用于将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合；
具体实现中，类型集合获取子单元1311可以将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合，可以理解的是，所述数据的类型集合中的数据点个数和数据点类型个数是一致的，即每种类型的数据点只选择一个放入得到数据点类型集合中。
类型确定子单元1312，用于检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型；
具体实现中，类型确定子单元1312可以检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，可以理解的是，所述相似度概率可以指示所述当前数据点与不同类型的数据点之间的相似程度。
进一步的，所述类型确定子单元1312可以将相似度概率值最大时所指向的所述数据点类型集合中数据点类型确定所述当前数据点所属的数据点类型。
在本发明实施例一种具体实现方式中，所述消息发送模块15还用于，根据所述第二用户标识的下一数据点所指示的时间状态，将所述第二用户标识归类至具有相同时间状态的第三用户标识中，向所述第三用户标识发送推送消息；
可以理解的是，所述第三用户标识可以是所述第一用户标识中具有相同移动规律的Habit对应的用户标识，所述第三用户标识对应的用户可能在相同的时间点会对应相同的位置，例如，一个办公大楼的人，在上午10点可能都处于办公楼A，所述数据预测模型建立设备向所述第三用户标识的用户发送的推送消息可以是针对这一类特定人群的效率，例如，针对办公楼A中人所发送的办公楼A附近的娱乐信息推荐等。
在本发明实施例中，通过预测用户将来的数据点状态向用户发送相关的推送消息，增加了根据预测的数据点状态发送推送消息的精准性。
在本发明实施例中，通过获取第一用户标识对应的历史数据点集合，并获取第一用户标识在第一历史数据点集合中的第一分布参数，第一历史数据点集合中的各历史数据点包括时间状态和位置状态，再基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数，然后获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，最后采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。通过分析根据全局数据和部分数据生成模型参数的过程，使所生成的数据预测模型可以描述用户移动规律的周期性和长时相关性，提高了对移动状态预测的准确性；通过采用狄利克雷分层过程进行参数的学习，充分利用了样本数据，有效缓解了数据量较小带来的模型预测能力下降，对于不均衡的数据，提升了数据量较少的用户预测性能；通过预测用户将来的数据点状态向用户发送相关的推送消息，增加了根据预测的数据点状态发送推送消息的精准性。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1-图4所示实施例的方法步骤，具体执行过程可以参见图1-图4所示实施例的具体说明，在此不进行赘述。
请参见图10，为本发明实施例提供了一种服务器的结构示意图。如图10所示，所述服务器1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图10所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据预测模型建立应用程序。
在图10所示的服务器1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；网络接口1004用于与用户终端进行数据通信；而处理器1001可以用于调用存储器1005中存储的数据预测模型建立应用程序，并具体执行以下操作：
获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
在一个实施例中，所述处理器1001在执行获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数时，具体执行以下操作：
检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型；
根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。
在一个实施例中，所述处理器1001在执行检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型时，具体执行以下操作：
将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合；
检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型。
在一个实施例中，所述处理器1001还用于执行以下操作：
采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，根据所述对应关系向所述第二用户标识发送针对所述下一数据点的推送消息。
在一个实施例中，所述处理器1001还用于执行以下操作：
根据所述第二用户标识的下一数据点所指示的时间状态，将所述第二用户标识归类至具有相同时间状态的第三用户标识中，向所述第三用户标识发送推送消息。
在本发明实施例中，通过获取第一用户标识对应的历史数据点集合，并获取第一用户标识在第一历史数据点集合中的第一分布参数，第一历史数据点集合中的各历史数据点包括时间状态和位置状态，再基于第一历史数据点集合检测第二用户标识在第一历史数据点集合中的第二分布参数，然后获取第二用户标识的第二历史数据点集合，并获取第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，最后采用第一分布参数、第二分布参数、时间分布参数以及位置分布参数生成针对第二用户标识的数据预测模型。通过分析根据全局数据和部分数据生成模型参数的过程，使所生成的数据预测模型可以描述用户移动规律的周期性和长时相关性，提高了对移动状态预测的准确性；通过采用狄利克雷分层过程进行参数的学习，充分利用了样本数据，有效缓解了数据量较小带来的模型预测能力下降，对于不均衡的数据，提升了数据量较少的用户预测性能；通过预测用户将来的数据点状态向用户发送相关的推送消息，增加了根据预测的数据点状态发送推送消息的精准性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种数据预测模型建立方法，其特征在于，包括：
获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
2.如权利要求1所述的方法，其特征在于，所述获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数，包括：
检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型；
根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。
3.如权利要求2所述的方法，其特征在于，所述检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型，包括：
将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合；
检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型。
4.如权利要求1所述的方法，其特征在于，还包括：
采用所述数据预测模型获取所述第二用户标识的下一数据点所指示的时间状态和位置状态间的对应关系，根据所述对应关系向所述第二用户标识发送针对所述下一数据点的推送消息。
5.如权利要求4所述的方法，其特征在于，还包括：
根据所述第二用户标识的下一数据点所指示的时间状态，将所述第二用户标识归类至具有相同时间状态的第三用户标识中，向所述第三用户标识发送推送消息。
6.一种数据预测模型建立设备，其特征在于，包括：
第一参数获取模块，用于获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
第二参数获取模块，用于基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
第三参数获取模块，用于获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
模型生成模块，用于采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
7.如权利要求6所述的设备，其特征在于，所述第三参数获取模块包括：
类型检测单元，用于检测所述第二历史数据点集合中的当前历史数据点所属的数据点类型；
参数获取单元，用于根据所述数据点类型并采用参数学习算法，获取所述当前历史数据点的时间状态对应的时间分布参数和所述当前历史数据点的位置状态对应的位置分布参数。
8.如权利要求7所述的设备，其特征在于，所述类型检测单元包括：
类型集合获取子单元，用于将所述第一历史数据点集合中的各历史数据点进行数据点分类，获取数据点分类后的数据点类型集合；
类型确定子单元，用于检测所述数据点类型集合中各数据点类型对应的历史数据点与所述第二历史数据点集合中的当前数据点之间的相似度概率，根据所述相似度概率确定所述当前数据点所属的数据点类型。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行以下步骤：
获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
10.一种服务器，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行以下步骤：
获取第一用户标识对应的第一历史数据点集合，并获取所述第一用户标识在所述第一历史数据点集合中的第一分布参数，所述第一历史数据点集合中的各历史数据点包括时间状态和位置状态；
基于所述第一历史数据点集合检测第二用户标识在所述第一历史数据点集合中的第二分布参数；
获取所述第二用户标识的第二历史数据点集合，并获取所述第二历史数据点集合中的当前历史数据点的时间分布参数和位置分布参数；
采用所述第一分布参数、所述第二分布参数、所述时间分布参数以及所述位置分布参数生成针对所述第二用户标识的数据预测模型。
CN201711161275.3A 2017-11-20 2017-11-20 一种数据预测模型建立方法及其设备、存储介质、服务器 Active CN110070371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711161275.3A CN110070371B (zh) 2017-11-20 2017-11-20 一种数据预测模型建立方法及其设备、存储介质、服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711161275.3A CN110070371B (zh) 2017-11-20 2017-11-20 一种数据预测模型建立方法及其设备、存储介质、服务器

Publications (2)

Publication Number Publication Date
CN110070371A true CN110070371A (zh) 2019-07-30
CN110070371B CN110070371B (zh) 2022-11-18

Family

ID=67364562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711161275.3A Active CN110070371B (zh) 2017-11-20 2017-11-20 一种数据预测模型建立方法及其设备、存储介质、服务器

Country Status (1)

Country Link
CN (1) CN110070371B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711615A (zh) * 2019-10-24 2021-04-27 富士通株式会社 信息处理装置、信息处理方法和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198814A1 (en) * 2009-02-02 2010-08-05 Kota Enterprises, Llc System and method for filtering and creating points-of-interest
CN104239327A (zh) * 2013-06-17 2014-12-24 中国科学院深圳先进技术研究院 一种基于位置信息的移动互联网用户行为分析方法及装置
CN104931041A (zh) * 2015-05-03 2015-09-23 西北工业大学 一种基于用户轨迹数据的地点序列预测方法
CN105829831A (zh) * 2013-11-12 2016-08-03 三菱电机株式会社 用于在行进期间预测目的地的方法
CN105893537A (zh) * 2016-03-31 2016-08-24 百度在线网络技术（北京）有限公司 地理信息点的确定方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198814A1 (en) * 2009-02-02 2010-08-05 Kota Enterprises, Llc System and method for filtering and creating points-of-interest
CN104239327A (zh) * 2013-06-17 2014-12-24 中国科学院深圳先进技术研究院 一种基于位置信息的移动互联网用户行为分析方法及装置
CN105829831A (zh) * 2013-11-12 2016-08-03 三菱电机株式会社 用于在行进期间预测目的地的方法
CN104931041A (zh) * 2015-05-03 2015-09-23 西北工业大学 一种基于用户轨迹数据的地点序列预测方法
CN105893537A (zh) * 2016-03-31 2016-08-24 百度在线网络技术（北京）有限公司 地理信息点的确定方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄坚峰、张玉峰等: "改进的基于狄利克雷混合模型的推荐算法", 《吉林大学学报（工学版）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711615A (zh) * 2019-10-24 2021-04-27 富士通株式会社 信息处理装置、信息处理方法和计算机可读存储介质

Also Published As

Publication number Publication date
CN110070371B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
Zhao et al. Understanding the bias of call detail records in human mobility research
CN108875007B (zh) 兴趣点的确定方法和装置、存储介质、电子装置
CN108446281B (zh) 确定用户亲密度的方法、装置及存储介质
Pei et al. A new insight into land use classification based on aggregated mobile phone data
KR102121361B1 (ko) 사용자가 위치되는 지리적 위치의 유형을 식별하기 위한 방법 및 디바이스
Elhamshary et al. SemSense: Automatic construction of semantic indoor floorplans
KR20190139130A (ko) 피셀 알고리즘을 이용하여 실시간 유동 인구 데이터의 제공이 가능한 유동인구 정보 분석 방법
CN105893537B (zh) 地理信息点的确定方法和装置
CN113038386A (zh) 基于学习模型的设备定位
CN108181607A (zh) 基于指纹库的定位方法、装置及计算机可读存储介质
US9846887B1 (en) Discovering neighborhood clusters and uses therefor
CN112861972B (zh) 一种展业区域的选址方法、装置、计算机设备和介质
Doyle et al. Population mobility dynamics estimated from mobile telephony data
KR20180087150A (ko) 라디오 맵 구축 방법
CN111479321B (zh) 一种网格构建方法、装置、电子设备和存储介质
Straka et al. Analysis of energy consumption at slow charging infrastructure for electric vehicles
CN110262863B (zh) 一种终端主界面的展示方法和装置
CN110377846A (zh) 社交关系挖掘方法、装置、存储介质和计算机设备
CN114548811A (zh) 一种机场可达性的检测方法、装置、电子设备及存储介质
CN115345390A (zh) 一种行为轨迹预测方法、装置、电子设备及存储介质
CN111475746A (zh) 兴趣点位置挖掘方法、装置、计算机设备和存储介质
CN114693351A (zh) 信息预测方法、装置以及电子设备
JP7071948B2 (ja) 対象地域の不動産の稼働率を推定するプログラム、装置及び方法
CN110276387A (zh) 一种模型的生成方法及装置
CN116227929B (zh) 通信数据的分析方法、装置、设备及存储介质

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