CN110544151A - 确定用户是否为网约车司机的方法及设备 - Google Patents

Abstract

本申请涉及确定用户是否为网约车司机的方法及设备。在一个实施例中，本申请提供了一种确定用户是否为网约车司机的方法，其包括：分析网约车司机群体的行为特征；将所述行为特征与大数据相关联，确定所述网约车司机群体的特征指标集，其中所述大数据包括运营商数据、手机APP使用数据以及保险数据中的一个或多个；对所述特征指标集降维；基于无监督学习算法对所降维后的特征指标集建立模型；以及基于所建立的模型来确定所述用户是否输入所述网约车司机群体。

Description

确定用户是否为网约车司机的方法及设备

技术领域

本申请涉及大数据领域，具体来说，涉及一种确定用户是否为网约车司机的方法及设备。

背景技术

互联网时代，数据作为一切价值的基础，其平台垄断性无可避免。网约车行业亦是如此，因此针对网约车司机的精准营销无法有效开展。

因此，急需一种方法，来破除平台垄断、消除数据孤岛，挖掘大量的网约车司机，提供相关精确营销服务。

发明内容

本申请的一个实施例公开了：一种确定用户是否为网约车司机的方法，其包括：分析网约车司机群体的行为特征；将所述行为特征与大数据相关联，确定所述群体网约车司机的特征指标集，其中所述大数据包括运营商数据、手机APP使用数据以及保险数据中的一个或多个；对所述特征指标集降维；基于无监督学习算法对所降维后的特征指标集建立模型；以及基于所建立的模型来确定所述用户是否输入网约车司机。

本申请的另一个实施例公开了：一种基于修正余弦相似度的冲突度量设备，其包括：存储器，其经配置以存储指令；以及处理器，其经配置以执行所述存储器里存储的指令，所述指令致使所述处理器以：分析网约车司机群体的行为特征；将所述行为特征与大数据相关联，确定所述网约车司机群体的特征指标集，其中所述大数据包括运营商数据、手机APP使用数据以及保险数据中的一个或多个；对所述特征指标集降维；基于无监督学习算法对所降维后的特征指标集建立模型；以及基于所建立的模型来确定所述用户是否输入网约车司机群体。

附图说明

图1展示了根据本申请的一种确定用户是否为网约车司机的方法。

具体实施方式

为了解决上述技术问题，本申请提供了一种确定用户是否为网约车司机的方法。该方法有效破除平台垄断和数据孤岛带来的营销限制，以网约车司机日常生活中产生的海量运营商数据为基础，采用无监督学习算法实现海量网约车司机挖掘，为后续场景的精确营销提供服务。

图1展示了根据本申请的一种确定用户是否为网约车司机的方法。

在步骤101中，本申请首先分析网约车司机群体的行为特征。具体来说，网约车司机群体基础信息和行为信息的特征分析如下：

(1)基于成为约车平台的网约车司机的前提条件，网约车司机这个群体均是有车一族。

(2)处于利益和隐私上的考虑，相当一部分网约车司机有多个号码。

(3)在网约车司机群体的性别上，与普通出租车司机有明显不同的分布，该群体中几乎没有女性司机。

(4)网约车司机群体因其工作的性质，决定了他们在账期内几乎不可能有停机的情况，或者停机时长非常短。

(5)他们使用相关的约车APP。该专用的APP由一些特定的约车平台提供，如滴滴、美团等，而相关的名称有“滴滴车主”，“美团打车司机版”等。

(6)特定APP使用的前提是连接网络，因此，一般情况下，网约车司机用户的在网时长数大，且连续而稳定。

(7)网约车司机在接到约车请求后接到乘客前，通常会联系约车乘客。这样，网约车司机的联系人规模会随着接到订单数量的增加而增加，并且联系次数都非常少。

(8)网约车司机接到乘客后，将乘客送到目的地，其位置一般会有若干公里的变化。

(9)有很大一部分网约车司机在行驶的过程中利用第三方的导航软件如高德地图、百度地图等手机APP定位目的地。

(10)网约车司机群体通常不会跨城际接单，因此很少出现手机漫游的情况(外地号码在本地使用除外)。

(11)网约车司机群体相对其他行业在工作的过程中遇到的风险较大，他们在普通的车险之外，通常会有个人额外的保险。

接着，在步骤102中，本申请将网约车司机的行为特征与大数据相关联，并确定网约车司机群体的特征指标集，其中大数据可能包括运营商数据、手机APP使用数据以及保险数据等等。

具体来说，基于分析的网约车的基本信息和行为特点，结合运营商大数据进行关联性的再分析，有如下指标与网约车司机群体有很高的关联。

在步骤103中，本申请对所述特征指标集降维，其包括如下两个步骤：

步骤一：去除强相关属性

基于选择的特征指标集进行标准化，利用如下公式，将指标的值映射到相同的区间中。

其中是变换后的值，x是指标值原始的值，x_m ⁱ _n为当前指标值中的最小值，x_max为当前指标值中的最大值。

步骤二：主成分分析

按照上述的特征指标集选取原始数据，对原始数据进行去中心化：

计算去中心化后的数据，得到其协方差矩阵。求出其特征值组和相应的特征向量组，取出前17个特征值对应的指标列，即为最终提取的特征。

结合特征值和相关特征的重要性将上述特征重新组织顺序如下：是否安装了网约车平台类APP、是否有车一族、月均国内漫游城市个数、性别、手机号异地使用标识、月均通话联系人数量、月均主叫次数、当月套餐外语音费用、月均本地通话时长、位置稳定度、在网时长(月)、月均语音费用、月均流量费用、通话次数稳定度、欠费停机次数、双停天数以及是否购买保险，形成降维后的特征指标集，并将降维后的特征指标集作为后续处理的标准输入数据。

在步骤104中，本申请的方法基于无监督学习算法对标准输入数据建立模型。以标准输入数据为基础，将k取3-10做聚类分析，计算每个点到其指定的簇中心的距离，并求和，对得到的结果进行比较，取最小值时的k为最终的聚类结果。即：

对每个簇的结果进行反标准化处理，使其变换到原来的维度并具备原本具有的含义。对找到的聚类结果的几个簇中心进行分析：

特征子集A	值
		是否安装了网约车平台类APP	1
是否有车一族	1
		月均国内漫游城市个数	0
性别	0
		手机号异地使用标识	0
位置稳定度	0

对于上述几个重要属性相同的簇中心进行合并,合并的规则为：

最后，在步骤105中，本申请基于所建立的模型来确定所述用户是否输入网约车司机。

基于聚类输出的特征规则进行是否网约车司机判定，判定规则如下：

通过上述方法，本申请深度分析了营销场景的目标群体覆盖度与用户数据行业垄断/数据孤岛的突出矛盾，基于大数据，从网约车司机群体的基础信息和行为特点入手分析，选取合适的特征指标，采用无监督学习算法构建网约车司机群体的识别模型，为后续精准营销提供更全面的用户覆盖。

虽然本文中描述的实施例可具有各种修改及替代形式，但是特定实施例已在图式中通过实例展示且已在本文中予以详细描述。本发明并不限于所揭示的特定形式。本发明涵盖落于如由权利要求书定义的本发明的精神及范围内的所有修改、等效物及替代。

Claims (8)

1.一种确定用户是否为网约车司机的方法，其包括：

分析网约车司机群体的行为特征；

将所述行为特征与大数据相关联，确定所述网约车司机群体的特征指标集，其中所述大数据包括运营商数据、手机APP使用数据以及保险数据中的一个或多个；

对所述特征指标集降维；

基于无监督学习算法对所降维的特征指标集建立模型；以及

基于所建立的模型来确定所述用户是否属于所述网约车司机群体。

2.根据权利要求1所述的方法，其中所述行为特征包括：基础信息、消费行为、通信行为、综合行为以及特殊行为中的一个或多个。

3.根据权利要求1所述的方法，其中对所述特征指标集降维进一步包括：

解决维数灾难，同时根据特征值和重要性调整所述特征指标集的顺序，形成所降维后的特征指标集。

4.根据权利要求1所述的方法，其中基于无监督学习算法对所降维后的特征指标集建立模型进一步包括：

对所降维后的特征执行聚类分析，合并重要属性相同的簇中心，提取聚类出的特征规则。

5.一种确定用户是否为网约车司机的设备，其包括：

存储器，其经配置以存储指令；以及

处理器，其经配置以执行所述存储器里存储的指令，所述指令致使所述处理器以：

分析网约车司机群体的行为特征；

将所述行为特征与大数据相关联，确定所述网约车司机群体的特征指标集，其中所述大数据包括运营商数据、手机APP使用数据以及保险数据中的一个或多个；

对所述特征指标集降维；

基于无监督学习算法对所降维的特征指标集建立模型；以及

基于所建立的模型来确定所述用户是否属于所述网约车司机群体。

6.根据权利要求5所述的设备，其中所述行为特征包括：基础信息、消费行为、通信行为、综合行为以及特殊行为中的一个或多个。

7.根据权利要求5所述的设备，其中所述处理器进一步经配置以：

解决维数灾难，同时根据特征值和重要性调整所述特征指标集的顺序，形成所降维后的特征指标集。

8.根据权利要求5所述的设备，其中所述处理器进一步经配置以：

对所降维后的特征执行聚类分析，合并重要属性相同的簇中心，提取聚类出的特征规则。