CN110930176A - 预测方法、装置、电子设备及存储介质 - Google Patents

预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110930176A
CN110930176A CN201910900821.3A CN201910900821A CN110930176A CN 110930176 A CN110930176 A CN 110930176A CN 201910900821 A CN201910900821 A CN 201910900821A CN 110930176 A CN110930176 A CN 110930176A
Authority
CN
China
Prior art keywords
data
user
prediction
unit
configuration
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
CN201910900821.3A
Other languages
English (en)
Other versions
CN110930176B (zh
Inventor
王建东
邓坤
王建明
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910900821.3A priority Critical patent/CN110930176B/zh
Publication of CN110930176A publication Critical patent/CN110930176A/zh
Application granted granted Critical
Publication of CN110930176B publication Critical patent/CN110930176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明提供一种预测方法、装置、电子设备及存储介质。该方法能够当接收到预测指令时，连接用户的终端设备，并获取终端设备的导航APP中配置时间段内所产生的数据，将所述数据拆分为位置数据及时间数据，将所述位置数据转化为经纬度，获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所并编码，对所述时间数据进行归一化处理，整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据，并将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果，从而基于导航中的数据进行预测，由于导航APP中的数据具有不可欺骗性，因此使预测结果更加真实，且更具有参考价值。

Description

预测方法、装置、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种预测方法、装置、电子设备及存储介质。
背景技术
导航应用程序(APP)是现今出行不可缺少的，在日常生活中，使用地图导航可以帮助用户在陌生的地方尽快到达目的地，同时，对于导航APP来说，可以轻易获取到使用者的出行路线和出行时间等数据，这些数据对于研究客户行为，进行客户画像是非常有帮助的。
但是，目前导航APP中的数据往往只被用于路径规划，比如根据客户日常出行时间提醒客户还有多久可以到家等等，并未对其进行深入挖掘。另外，在进行数据预测时，通常仅仅根据用户所提供的一些个人信息，也没有有效利用导航APP中的数据，鉴于用户所提供的信息存在不准确性，使预测不够准确，且效率较低。
发明内容
鉴于以上内容，有必要提供一种预测方法、装置、电子设备及存储介质，能够基于导航APP中的数据进行预测，由于导航APP中的数据具有不可欺骗性，因此使预测结果更加真实，且更具有参考价值。
一种预测方法，所述方法包括：
当接收到预测指令时，连接用户的终端设备；
从所述终端设备上，获取导航APP中配置时间段内所产生的数据；
将所述数据拆分为位置数据及时间数据；
将所述位置数据转化为经纬度；
获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所；
对所述所有标记场所进行编码；
对所述时间数据进行归一化处理；
整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据；
将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果。
根据本发明优选实施例，所述对所述所有标记场所进行编码包括：
获取所述所有标记场所的数量；
以所述数量作为位数，对所述所有标记场所进行One-hot编码。
根据本发明优选实施例，在将所述待处理数据输入到基于分类算法及随机森林算法预先训练的预测模型中前，所述方法还包括：
获取样本数据，所述样本数据包括多个用户的终端设备的导航APP数据；
基于梯度下降树算法对所述样本数据进行拟合训练；
获取每步拟合后对于类别的预测概率与真实概率的差值；
当所述差值小于或者等于预设差值时，生成分类模型；
从所述多个用户中确定满足预设条件的第一用户，及不满足所述预设条件的第二用户；
获取所述样本数据中所述第一用户对应的数据作为第一样本，所述第二用户对应的数据作为第二样本；
以所述第一样本及所述第二样本为输入，是否满足所述预设条件为输出，以预先配置的参数取值范围训练随机森林模型；
整合所述分类模型及所述随机森林模型，得到所述预测模型。
根据本发明优选实施例，在输出所述预测结果后，所述方法还包括：
当所述预测结果为所述用户满足配置条件时，获取所述分类模型输出的所述用户的属性数据；
当所述属性数据显示所述用户属于配置属性时，确定所述所有标记场所中是否包括第一场所；
当包括所述第一场所时，向所述用户的终端设备发送配置数据。
根据本发明优选实施例，在输出所述预测结果后，所述方法还包括：
当所述预测结果为所述用户满足配置条件时，从所述终端设备上获取用户的浏览数据；
从所述浏览数据中筛选出对于预设产品的浏览数据；
根据所述对于预设产品的浏览数据，预测所述用户感兴趣的产品。
根据本发明优选实施例，在预测所述用户感兴趣的产品后，所述方法还包括：
当所述产品中包括配置产品时，确定所述所有标记场所中是否包括第二场所；
当包括所述第二场所时，根据所述位置数据及所述时间数据计算所述用户出入所述第二场所的频率；
当所述频率大于或者等于预设频率时，标记所述用户。
根据本发明优选实施例，在标记所述用户后，所述方法还包括：
当检测到所述用户要购买所述配置产品时，获取所述用户的患病信息；
当所述患病信息显示所述用户健康时，发出提示信息，所述提示信息用于提示所述用户有说谎风险。
一种预测装置，所述装置包括：
连接单元，用于当接收到预测指令时，连接用户的终端设备；
获取单元，用于从所述终端设备上，获取导航APP中配置时间段内所产生的数据；
拆分单元，用于将所述数据拆分为位置数据及时间数据；
转化单元，用于将所述位置数据转化为经纬度；
所述获取单元，还用于获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所；
编码单元，用于对所述所有标记场所进行编码；
处理单元，用于对所述时间数据进行归一化处理；
整合单元，用于整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据；
输出单元，用于将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果。
根据本发明优选实施例，所述编码单元具体用于：
获取所述所有标记场所的数量；
以所述数量作为位数，对所述所有标记场所进行One-hot编码。
根据本发明优选实施例，所述获取单元，还用于在将所述待处理数据输入到基于分类算法及随机森林算法预先训练的预测模型中前，获取样本数据，所述样本数据包括多个用户的终端设备的导航APP数据；
所述装置还包括：
拟合单元，用于基于梯度下降树算法对所述样本数据进行拟合训练；
所述获取单元，还用于获取每步拟合后对于类别的预测概率与真实概率的差值；
生成单元，用于当所述差值小于或者等于预设差值时，生成分类模型；
确定单元，用于从所述多个用户中确定满足预设条件的第一用户，及不满足所述预设条件的第二用户；
所述获取单元，还用于获取所述样本数据中所述第一用户对应的数据作为第一样本，所述第二用户对应的数据作为第二样本；
训练单元，用于以所述第一样本及所述第二样本为输入，是否满足所述预设条件为输出，以预先配置的参数取值范围训练随机森林模型；
所述整合单元，还用于整合所述分类模型及所述随机森林模型，得到所述预测模型。
根据本发明优选实施例，所述获取单元，还用于在输出所述预测结果后，当所述预测结果为所述用户满足配置条件时，获取所述分类模型输出的所述用户的属性数据；
所述确定单元，还用于当所述属性数据显示所述用户属于配置属性时，确定所述所有标记场所中是否包括第一场所；
所述装置还包括：
发送单元，用于当包括所述第一场所时，向所述用户的终端设备发送配置数据。
根据本发明优选实施例，所述获取单元，还用于在输出所述预测结果后，当所述预测结果为所述用户满足配置条件时，从所述终端设备上获取用户的浏览数据；
所述装置还包括：
筛选单元，用于从所述浏览数据中筛选出对于预设产品的浏览数据；
预测单元，用于根据所述对于预设产品的浏览数据，预测所述用户感兴趣的产品。
根据本发明优选实施例，所述确定单元，还用于在预测所述用户感兴趣的产品后，当所述产品中包括配置产品时，确定所述所有标记场所中是否包括第二场所；
所述装置还包括：
计算单元，用于当包括所述第二场所时，根据所述位置数据及所述时间数据计算所述用户出入所述第二场所的频率；
标记单元，用于当所述频率大于或者等于预设频率时，标记所述用户。
根据本发明优选实施例，所述获取单元，还用于在标记所述用户后，当检测到所述用户要购买所述配置产品时，获取所述用户的患病信息；
所述装置还包括：
提示单元，用于当所述患病信息显示所述用户健康时，发出提示信息，所述提示信息用于提示所述用户有说谎风险。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述预测方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述预测方法。
由以上技术方案可以看出，本发明能够当接收到预测指令时，连接用户的终端设备，从所述终端设备上，获取导航APP中配置时间段内所产生的数据，将所述数据拆分为位置数据及时间数据，以便根据当行APP中的数据推测用户的行程，将所述位置数据转化为经纬度，并获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所，对所述所有标记场所进行编码，以转化为机器可识别及处理的语言，对所述时间数据进行归一化处理，以统一数据维度，进一步整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据，并将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果，从而基于导航中的数据对用户的保险购买力进行预测，由于导航APP中的数据具有不可欺骗性，因此使预测结果更加真实，且更具有参考价值。
附图说明
图1是本发明预测方法的较佳实施例的流程图。
图2是本发明预测装置的较佳实施例的功能模块图。
图3是本发明实现预测方法的较佳实施例的电子设备的结构示意图。
主要元件符号说明
电子设备 1
存储器 12
处理器 13
预测装置 11
连接单元 110
获取单元 111
拆分单元 112
转化单元 113
编码单元 114
处理单元 115
整合单元 116
输出单元 117
拟合单元 118
生成单元 119
确定单元 120
训练单元 121
发送单元 122
筛选单元 123
预测单元 124
计算单元 125
标记单元 126
提示单元 127
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明预测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述预测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到预测指令时，连接用户的终端设备。
在本发明的至少一个实施例中，所述预测指令可以由相关工作人员触发，本发明不限制。
在本发明的至少一个实施例中，所述电子设备可以通过无线网络与所述用户的终端设备建立TCP(Transmission Control Protocol传输控制协议)连接，以便从所述终端设备中获取数据。
S11，从所述终端设备上，获取导航APP中配置时间段内所产生的数据。
在本发明的至少一个实施例中，所述导航APP安装于所述终端设备上，通过所述导航APP，能够检测到所述用户产生的行程数据，并且，所述导航APP的数量可以是一个或者多个。
在本发明的至少一个实施例中，所述配置时间段可以进行自定义配置，例如：一年内，一个月内等。
可以理解的是，为了使获取到的数据更加具有时效性，所述配置时间段将较短，例如：所述配置时间段可以是一个月，而为了使获取到的数据更加充足，所述配置时间段将较长，例如：所述配置时间段可以是一年。
S12，将所述数据拆分为位置数据及时间数据。
在本发明的至少一个实施例中，所述电子设备基于不同的数据结构，将所述数据拆分为位置数据及时间数据。
其中，所述位置数据能够表征所述用户出现的位置，所述时间数据能够表征所述用户在每个位置停留的时间、出现的时间等。
通过分析所述位置数据及所述时间数据，能够得到所述用户在一段时间内的行程，并进一步根据行程进行更深层次的数据挖掘。
S13，将所述位置数据转化为经纬度。
在本发明的至少一个实施例中，所述电子设备可以采用所述导航APP将所述位置数据转化为经纬度，或者是调用第三方数据处理平台将所述位置数据转化为经纬度，本发明不限制。
具体地，所述电子设备将所述位置数据上传至所述导航APP或者所述第三方数据处理平台，可以理解的是，由于所述导航APP或者所述第三方数据处理平台中都记录着地图数据，也必然记录着每个位置数据相应的经纬度。
S14，获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所。
可以理解的是，每个位置数据必然对应着一个相应的场所，而在允许的误差范围内，所述电子设备获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所，即可获取到所述经纬度对应的所有标记场所。
其中，所述预设值可以进行自定义配置，本发明不限制，例如：所述预设值可以配置为3米。
可以理解的是，当所述预设值配置的过大时，那么所述用户没有进入的场所也有可能被误标记为所述标记场所，而当所述预设值配置的过小时，那么所述用户进入的场所也有可能被遗漏，导致所述标记场所的获取不够全面。
因此，在实际配置时，所述电子设备可以基于大数据分析，以线性回归算法处理历史半径数据，并建立一条曲线，进而以最小二乘法识别出所建立的曲线的最优解，以所述最优解作为所述预设值。
S15，对所述所有标记场所进行编码。
在本发明的至少一个实施例中，由于所述所有标记场所并非机器能够识别并运算的数据，因此，所述电子设备将所述所有标记场所进行编码，以便后续对所述所有标记场所进行自动处理。
具体地，所述对所述所有标记场所进行编码包括：
所述电子设备获取所述所有标记场所的数量，并以所述数量作为位数，对所述所有标记场所进行One-hot编码。
可以理解的是，所述所有标记场所是标称型属性，也就是不具备序列性，且不能比较大小，因此，我们不能用简单的数值来标记，因为数值的大小对计算过程产生影响。因此，在本实施例中，采用One-hot编码，既能够对所述所有标记场所进行区分，又不会改变数据属性。
例如：当有A、B、C三个标记场所时，所述电子设备获取到标记场所的数量为3，则所述电子设备以3作为编码位数，采用One-hot编码，将A标记场所编码为(100)，B标记场所编码为(010)，C标记场所编码为(001)。
S16，对所述时间数据进行归一化处理。
在本发明的至少一个实施例中，为了便于在一个统一的维度上处理所述时间数据，所述电子设备对所述时间数据进行归一化处理。
具体地，所述电子设备将所述时间数据转化为统一的时间单位。
S17，整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据。
在本发明的至少一个实施例中，所述电子设备将关联的时间数据及标记场所进行组合，形成多组具有关联的所述待处理数据。
S18，将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果。
在本发明的至少一个实施例中，通过所述预测模型，能够预测出所述用户是否具有保险购买力。
具体地，在将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果前，所述电子设备建立所述预测模型。
具体地，在将所述待处理数据输入到基于分类算法及随机森林算法预先训练的预测模型中前，所述方法还包括：
所述电子设备获取样本数据，所述样本数据包括多个用户的终端设备的导航APP数据，并基于GBDT(Gradient Boosting Decision Tree，梯度下降树)算法对所述样本数据进行拟合训练，所述电子设备获取每步拟合后对于类别的预测概率与真实概率的差值，当所述差值小于或者等于预设差值时，生成分类模型，所述电子设备从所述多个用户中确定满足预设条件的第一用户，及不满足所述预设条件的第二用户，并获取所述样本数据中所述第一用户对应的数据作为第一样本，所述第二用户对应的数据作为第二样本，进一步地，所述电子设备以所述第一样本及所述第二样本为输入，是否满足所述预设条件为输出，以预先配置的参数取值范围训练随机森林模型，并整合所述分类模型及所述随机森林模型，得到所述预测模型。
例如：所述预设条件可以包括：购买过保险。
在本实施例中，当基于GBDT算法对所述样本数据进行拟合训练时，能够直接采用预测概率与真实概率的差值作为优化标准，并从预测效果上调整所述分类模型，提高了所述分类模型的准确性以及训练效率。
同时，不同于现有技术的全量训练，由于在训练所述随机森林模型的过程中，仅在预先配置的参数取值范围内取值，因此能够提高模型的训练效率，同时也确保了模型训练的精度。
在本发明的至少一个实施例中，在输出所述预测结果后，所述方法还包括：
当所述预测结果为所述用户满足配置条件时，所述电子设备获取所述分类模型输出的所述用户的属性数据，当所述属性数据显示所述用户属于配置属性时，所述电子设备确定所述所有标记场所中是否包括第一场所，当包括所述第一场所时，所述电子设备向所述用户的终端设备发送配置数据。
例如：所述配置条件可以包括：对于保险的购买力较高；所述配置属性可以包括：是家长；所述第一场所可以包括：幼儿园；所述配置数据可以包括：儿童类保险。
通过上述实施方式，能够基于所述预测模型及所述导航APP中的数据进行自动分析，并在判断出所述用户属于配置属性，且经常出入第一场所后，经过大数据分析，确定所述用户家可能有幼儿，因此，所述电子设备向所述用户的终端设备发送配置数据，以提高购买率。
在本发明的至少一个实施例中，在输出所述预测结果后，所述方法还包括：
当所述预测结果为所述用户满足配置条件时，所述电子设备从所述终端设备上获取用户的浏览数据，并从所述浏览数据中筛选出对于预设产品的浏览数据，所述电子设备根据所述对于预设产品的浏览数据，预测所述用户感兴趣的产品。
例如：所述预设产品可以包括：保险。
可以理解的是，当所述用户对于保险感兴趣时，必然通过各种渠道浏览保险类的数据，所述电子设备对所述浏览数据进行数据分析，即可确定所述用户感兴趣的产品，进而为所述用户提供相应的服务。
在本发明的至少一个实施例中，在预测所述用户感兴趣的产品后，所述方法还包括：
当所述产品中包括配置产品时，所述电子设备确定所述所有标记场所中是否包括第二场所，当包括所述第二场所时，根据所述位置数据及所述时间数据计算所述用户出入所述第二场所的频率，进一步地，当所述频率大于或者等于预设频率时，标记所述用户。
例如：所述配置产品可以包括：医疗保险；所述第二场所可以包括：医疗场所。
可以理解的是，当所述用户频繁出入所述第二场所时，说明所述用户的身体近期可能出现健康状况，而如果此时检测到所述用户感兴趣的产品为医疗保险，则需要对所述用户进重点关注，以免所述用户在填写保单时，为了得到更多的利益而填写错误的医疗信息，造成损失。
具体地，所述电子设备可以以任意方式标记所述用户，本发明不限制，如：在所述用户的姓名前标记特殊符号等。
在本发明的至少一个实施例中，在标记所述用户后，所述方法还包括：
当检测到所述用户要购买所述配置产品时，所述电子设备获取所述用户的患病信息，进一步地，当所述患病信息显示所述用户健康时，所述电子设备发出提示信息，所述提示信息用于提示所述用户有说谎风险。
可以理解的是，对于标记的用户，说明其具有潜在风险，而当这些被标记的用户要投保时，则需要确认所述用户的患病信息是否填写正确，如果检测到所述患病信息显示所述用户健康，而所述用户却在一段时间内频繁出入医院，则很有可能所述用户存在欺骗行为，因此，所述电子设备发出提示信息，以提示相关人员及时对所述患病信息进行核实，以及时止损。
由以上技术方案可以看出，本发明能够当接收到预测指令时，连接用户的终端设备，从所述终端设备上，获取导航APP中配置时间段内所产生的数据，将所述数据拆分为位置数据及时间数据，以便根据当行APP中的数据推测用户的行程，将所述位置数据转化为经纬度，并获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所，对所述所有标记场所进行编码，以转化为机器可识别及处理的语言，对所述时间数据进行归一化处理，以统一数据维度，进一步整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据，并将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果，从而基于导航中的数据对用户的保险购买力进行预测，由于导航APP中的数据具有不可欺骗性，因此使预测结果更加真实，且更具有参考价值。
如图2所示，是本发明预测装置的较佳实施例的功能模块图。所述预测装置11包括连接单元110、获取单元111、拆分单元112、转化单元113、编码单元114、处理单元115、整合单元116、输出单元117、拟合单元118、生成单元119、确定单元120、训练单元121、发送单元122、筛选单元123、预测单元124、计算单元125、标记单元126以及提示单元127。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到预测指令时，连接单元110连接用户的终端设备。
在本发明的至少一个实施例中，所述预测指令可以由相关工作人员触发，本发明不限制。
在本发明的至少一个实施例中，所述连接单元110可以通过无线网络与所述用户的终端设备建立TCP(Transmission Control Protocol传输控制协议)连接，以便从所述终端设备中获取数据。
获取单元111从所述终端设备上，获取导航APP中配置时间段内所产生的数据。
在本发明的至少一个实施例中，所述导航APP安装于所述终端设备上，通过所述导航APP，能够检测到所述用户产生的行程数据，并且，所述导航APP的数量可以是一个或者多个。
在本发明的至少一个实施例中，所述配置时间段可以进行自定义配置，例如：一年内，一个月内等。
可以理解的是，为了使获取到的数据更加具有时效性，所述配置时间段将较短，例如：所述配置时间段可以是一个月，而为了使获取到的数据更加充足，所述配置时间段将较长，例如：所述配置时间段可以是一年。
拆分单元112将所述数据拆分为位置数据及时间数据。
在本发明的至少一个实施例中，所述拆分单元112基于不同的数据结构，将所述数据拆分为位置数据及时间数据。
其中，所述位置数据能够表征所述用户出现的位置，所述时间数据能够表征所述用户在每个位置停留的时间、出现的时间等。
通过分析所述位置数据及所述时间数据，能够得到所述用户在一段时间内的行程，并进一步根据行程进行更深层次的数据挖掘。
转化单元113将所述位置数据转化为经纬度。
在本发明的至少一个实施例中，所述转化单元113可以采用所述导航APP将所述位置数据转化为经纬度，或者是调用第三方数据处理平台将所述位置数据转化为经纬度，本发明不限制。
具体地，所述转化单元113将所述位置数据上传至所述导航APP或者所述第三方数据处理平台，可以理解的是，由于所述导航APP或者所述第三方数据处理平台中都记录着地图数据，也必然记录着每个位置数据相应的经纬度。
所述获取单元111获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所。
可以理解的是，每个位置数据必然对应着一个相应的场所，而在允许的误差范围内，所述获取单元111获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所，即可获取到所述经纬度对应的所有标记场所。
其中，所述预设值可以进行自定义配置，本发明不限制，例如：所述预设值可以配置为3米。
可以理解的是，当所述预设值配置的过大时，那么所述用户没有进入的场所也有可能被误标记为所述标记场所，而当所述预设值配置的过小时，那么所述用户进入的场所也有可能被遗漏，导致所述标记场所的获取不够全面。
因此，在实际配置时，所述获取单元111可以基于大数据分析，以线性回归算法处理历史半径数据，并建立一条曲线，进而以最小二乘法识别出所建立的曲线的最优解，以所述最优解作为所述预设值。
编码单元114对所述所有标记场所进行编码。
在本发明的至少一个实施例中，由于所述所有标记场所并非机器能够识别并运算的数据，因此，所述编码单元114将所述所有标记场所进行编码，以便后续对所述所有标记场所进行自动处理。
具体地，所述编码单元114对所述所有标记场所进行编码包括：
所述编码单元114获取所述所有标记场所的数量，并以所述数量作为位数，对所述所有标记场所进行One-hot编码。
可以理解的是，所述所有标记场所是标称型属性，也就是不具备序列性，且不能比较大小，因此，我们不能用简单的数值来标记，因为数值的大小对计算过程产生影响。因此，在本实施例中，采用One-hot编码，既能够对所述所有标记场所进行区分，又不会改变数据属性。
例如：当有A、B、C三个标记场所时，所述编码单元114获取到标记场所的数量为3，则所述编码单元114以3作为编码位数，采用One-hot编码，将A标记场所编码为(100)，B标记场所编码为(010)，C标记场所编码为(001)。
处理单元115对所述时间数据进行归一化处理。
在本发明的至少一个实施例中，为了便于在一个统一的维度上处理所述时间数据，所述处理单元115对所述时间数据进行归一化处理。
具体地，所述处理单元115将所述时间数据转化为统一的时间单位。
整合单元116整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据。
在本发明的至少一个实施例中，所述整合单元116将关联的时间数据及标记场所进行组合，形成多组具有关联的所述待处理数据。
输出单元117将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果。
在本发明的至少一个实施例中，通过所述预测模型，能够预测出所述用户是否具有保险购买力。
具体地，在将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果前，建立所述预测模型。
具体地，在将所述待处理数据输入到基于分类算法及随机森林算法预先训练的预测模型中前，所述方法还包括：
所述获取单元111获取样本数据，所述样本数据包括多个用户的终端设备的导航APP数据，拟合单元118基于GBDT(Gradient Boosting Decision Tree，梯度下降树)算法对所述样本数据进行拟合训练，所述获取单元111获取每步拟合后对于类别的预测概率与真实概率的差值，当所述差值小于或者等于预设差值时，生成单元119生成分类模型，确定单元120从所述多个用户中确定满足预设条件的第一用户，及不满足所述预设条件的第二用户，所述获取单元111获取所述样本数据中所述第一用户对应的数据作为第一样本，所述第二用户对应的数据作为第二样本，进一步地，训练单元121以所述第一样本及所述第二样本为输入，是否满足所述预设条件为输出，以预先配置的参数取值范围训练随机森林模型，所述整合单元116整合所述分类模型及所述随机森林模型，得到所述预测模型。
例如：所述预设条件可以包括：购买过保险。
在本实施例中，当基于GBDT算法对所述样本数据进行拟合训练时，能够直接采用预测概率与真实概率的差值作为优化标准，并从预测效果上调整所述分类模型，提高了所述分类模型的准确性以及训练效率。
同时，不同于现有技术的全量训练，由于在训练所述随机森林模型的过程中，仅在预先配置的参数取值范围内取值，因此能够提高模型的训练效率，同时也确保了模型训练的精度。
在本发明的至少一个实施例中，在输出所述预测结果后，所述方法还包括：
当所述预测结果为所述用户满足配置条件时，所述获取单元111获取所述分类模型输出的所述用户的属性数据，当所述属性数据显示所述用户属于配置属性时，所述确定单元120确定所述所有标记场所中是否包括第一场所，当包括所述第一场所时，发送单元122向所述用户的终端设备发送配置数据。
例如：所述配置条件可以包括：对于保险的购买力较高；所述配置属性可以包括：是家长；所述第一场所可以包括：幼儿园；所述配置数据可以包括：儿童类保险。
通过上述实施方式，能够基于所述预测模型及所述导航APP中的数据进行自动分析，并在判断出所述用户属于配置属性，且经常出入第一场所后，经过大数据分析，确定所述用户家可能有幼儿，因此，所述发送单元122向所述用户的终端设备发送配置数据，以提高购买率。
在本发明的至少一个实施例中，在输出所述预测结果后，所述方法还包括：
当所述预测结果为所述用户满足配置条件时，所述获取单元111从所述终端设备上获取用户的浏览数据，筛选单元123从所述浏览数据中筛选出对于预设产品的浏览数据，预测单元124根据所述对于预设产品的浏览数据，预测所述用户感兴趣的产品。
例如：所述预设产品可以包括：保险。
可以理解的是，当所述用户对于保险感兴趣时，必然通过各种渠道浏览保险类的数据，对所述浏览数据进行数据分析，即可确定所述用户感兴趣的产品，进而为所述用户提供相应的服务。
在本发明的至少一个实施例中，在预测所述用户感兴趣的产品后，所述方法还包括：
当所述产品中包括配置产品时，所述确定单元120确定所述所有标记场所中是否包括第二场所，当包括所述第二场所时，计算单元125根据所述位置数据及所述时间数据计算所述用户出入所述第二场所的频率，进一步地，当所述频率大于或者等于预设频率时，标记单元126标记所述用户。
例如：所述配置产品可以包括：医疗保险；所述第二场所可以包括：医疗场所。
可以理解的是，当所述用户频繁出入所述第二场所时，说明所述用户的身体近期可能出现健康状况，而如果此时检测到所述用户感兴趣的产品为医疗保险，则需要对所述用户进重点关注，以免所述用户在填写保单时，为了得到更多的利益而填写错误的医疗信息，造成损失。
具体地，所述标记单元126可以以任意方式标记所述用户，本发明不限制，如：在所述用户的姓名前标记特殊符号等。
在本发明的至少一个实施例中，在标记所述用户后，所述方法还包括：
当检测到所述用户要购买所述配置产品时，所述获取单元111获取所述用户的患病信息，进一步地，当所述患病信息显示所述用户健康时，提示单元127发出提示信息，所述提示信息用于提示所述用户有说谎风险。
可以理解的是，对于标记的用户，说明其具有潜在风险，而当这些被标记的用户要投保时，则需要确认所述用户的患病信息是否填写正确，如果检测到所述患病信息显示所述用户健康，而所述用户却在一段时间内频繁出入医院，则很有可能所述用户存在欺骗行为，因此，所述提示单元127发出提示信息，以提示相关人员及时对所述患病信息进行核实，以及时止损。
由以上技术方案可以看出，本发明能够当接收到预测指令时，连接用户的终端设备，从所述终端设备上，获取导航APP中配置时间段内所产生的数据，将所述数据拆分为位置数据及时间数据，以便根据当行APP中的数据推测用户的行程，将所述位置数据转化为经纬度，并获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所，对所述所有标记场所进行编码，以转化为机器可识别及处理的语言，对所述时间数据进行归一化处理，以统一数据维度，进一步整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据，并将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果，从而基于导航中的数据对用户的保险购买力进行预测，由于导航APP中的数据具有不可欺骗性，因此使预测结果更加真实，且更具有参考价值。
如图3所示，是本发明实现预测方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如预测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个预测方法实施例中的步骤，例如图1所示的步骤S10、S11、S12、S13、S14、S15、S16、S17、S18。
或者，所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如：当接收到预测指令时，连接用户的终端设备；从所述终端设备上，获取导航APP中配置时间段内所产生的数据；将所述数据拆分为位置数据及时间数据；将所述位置数据转化为经纬度；获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所；对所述所有标记场所进行编码；对所述时间数据进行归一化处理；整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据；将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成连接单元110、获取单元111、拆分单元112、转化单元113、编码单元114、处理单元115、整合单元116、输出单元117、拟合单元118、生成单元119、确定单元120、训练单元121、发送单元122、筛选单元123、预测单元124、计算单元125、标记单元126以及提示单元127。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备1的使用所创建的数据(比如音频数据等)等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是集成电路中没有实物形式的具有存储功能的电路，如、FIFO(First InFirst Out，)等。或者，所述存储器12也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种预测方法，所述处理器13可执行所述多个指令从而实现：当接收到预测指令时，连接用户的终端设备；从所述终端设备上，获取导航APP中配置时间段内所产生的数据；将所述数据拆分为位置数据及时间数据；将所述位置数据转化为经纬度；获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所；对所述所有标记场所进行编码；对所述时间数据进行归一化处理；整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据；将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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模块的形式实现。
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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种预测方法，其特征在于，所述方法包括：
当接收到预测指令时，连接用户的终端设备；
从所述终端设备上，获取导航APP中配置时间段内所产生的数据；
将所述数据拆分为位置数据及时间数据；
将所述位置数据转化为经纬度；
获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所；
对所述所有标记场所进行编码；
对所述时间数据进行归一化处理；
整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据；
将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果。
2.如权利要求1所述的预测方法，其特征在于，所述对所述所有标记场所进行编码包括：
获取所述所有标记场所的数量；
以所述数量作为位数，对所述所有标记场所进行One-hot编码。
3.如权利要求1所述的预测方法，其特征在于，在将所述待处理数据输入到基于分类算法及随机森林算法预先训练的预测模型中前，所述方法还包括：
获取样本数据，所述样本数据包括多个用户的终端设备的导航APP数据；
基于梯度下降树算法对所述样本数据进行拟合训练；
获取每步拟合后对于类别的预测概率与真实概率的差值；
当所述差值小于或者等于预设差值时，得到分类模型；
从所述多个用户中确定满足预设条件的第一用户，及不满足所述预设条件的第二用户；
获取所述样本数据中所述第一用户对应的数据作为第一样本，所述第二用户对应的数据作为第二样本；
以所述第一样本及所述第二样本为输入，是否满足所述预设条件为输出，以预先配置的参数取值范围训练随机森林模型；
整合所述分类模型及所述随机森林模型，得到所述预测模型。
4.如权利要求1所述的预测方法，其特征在于，在输出所述预测结果后，所述方法还包括：
当所述预测结果为所述用户满足配置条件时，获取所述分类模型输出的所述用户的属性数据；
当所述属性数据显示所述用户属于配置属性时，确定所述所有标记场所中是否包括第一场所；
当包括所述第一场所时，向所述用户的终端设备发送配置数据。
5.如权利要求1所述的预测方法，其特征在于，在输出所述预测结果后，所述方法还包括：
当所述预测结果为所述用户满足配置条件时，从所述终端设备上获取用户的浏览数据；
从所述浏览数据中筛选出对于预设产品的浏览数据；
根据所述对于预设产品的浏览数据，预测所述用户感兴趣的产品。
6.如权利要求5所述的预测方法，其特征在于，在预测所述用户感兴趣的产品后，所述方法还包括：
当所述产品中包括配置产品时，确定所述所有标记场所中是否包括第二场所；
当包括所述第二场所时，根据所述位置数据及所述时间数据计算所述用户出入所述第二场所的频率；
当所述频率大于或者等于预设频率时，标记所述用户。
7.如权利要求6所述的预测方法，其特征在于，在标记所述用户后，所述方法还包括：
当检测到所述用户要购买所述配置产品时，获取所述用户的患病信息；
当所述患病信息显示所述用户健康时，发出提示信息，所述提示信息用于提示所述用户有说谎风险。
8.一种预测装置，其特征在于，所述装置包括：
连接单元，用于当接收到预测指令时，连接用户的终端设备；
获取单元，用于从所述终端设备上，获取导航APP中配置时间段内所产生的数据；
拆分单元，用于将所述数据拆分为位置数据及时间数据；
转化单元，用于将所述位置数据转化为经纬度；
所述获取单元，还用于获取以所述经纬度为坐标原点，以预设值为半径的地理位置范围内的所有标记场所；
编码单元，用于对所述所有标记场所进行编码；
处理单元，用于对所述时间数据进行归一化处理；
整合单元，用于整合编码后的所述所有标记场所及归一化处理后的所述时间数据，得到待处理数据；
输出单元，用于将所述待处理数据输入到基于聚类算法及随机森林算法预先训练的预测模型中，输出预测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的预测方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的预测方法。
CN201910900821.3A 2019-09-23 2019-09-23 预测方法、装置、电子设备及存储介质 Active CN110930176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910900821.3A CN110930176B (zh) 2019-09-23 2019-09-23 预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910900821.3A CN110930176B (zh) 2019-09-23 2019-09-23 预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110930176A true CN110930176A (zh) 2020-03-27
CN110930176B CN110930176B (zh) 2023-06-02

Family

ID=69848962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910900821.3A Active CN110930176B (zh) 2019-09-23 2019-09-23 预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110930176B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116154A (zh) * 2020-09-18 2020-12-22 北京嘀嘀无限科技发展有限公司 数据处理方法、数据处理装置、存储介质和电子设备
CN112580882A (zh) * 2020-12-23 2021-03-30 平安银行股份有限公司 行程制定方法、装置、设备及介质
CN112712197A (zh) * 2020-12-17 2021-04-27 杭州鲁尔物联科技有限公司 一种数据处理方法、装置、设备和存储介质
CN112116154B (zh) * 2020-09-18 2024-05-14 北京嘀嘀无限科技发展有限公司 数据处理方法、数据处理装置、存储介质和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140082062A1 (en) * 2012-06-22 2014-03-20 Google Inc. Providing information about relevant elements from maps history based on location
CN110070224A (zh) * 2019-04-20 2019-07-30 北京工业大学 一种基于多步骤递归预测的空气质量预测方法
CN110222554A (zh) * 2019-04-16 2019-09-10 深圳壹账通智能科技有限公司 欺诈识别方法、装置、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140082062A1 (en) * 2012-06-22 2014-03-20 Google Inc. Providing information about relevant elements from maps history based on location
CN110222554A (zh) * 2019-04-16 2019-09-10 深圳壹账通智能科技有限公司 欺诈识别方法、装置、电子设备及存储介质
CN110070224A (zh) * 2019-04-20 2019-07-30 北京工业大学 一种基于多步骤递归预测的空气质量预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116154A (zh) * 2020-09-18 2020-12-22 北京嘀嘀无限科技发展有限公司 数据处理方法、数据处理装置、存储介质和电子设备
CN112116154B (zh) * 2020-09-18 2024-05-14 北京嘀嘀无限科技发展有限公司 数据处理方法、数据处理装置、存储介质和电子设备
CN112712197A (zh) * 2020-12-17 2021-04-27 杭州鲁尔物联科技有限公司 一种数据处理方法、装置、设备和存储介质
CN112712197B (zh) * 2020-12-17 2024-01-02 杭州鲁尔物联科技有限公司 一种数据处理方法、装置、设备和存储介质
CN112580882A (zh) * 2020-12-23 2021-03-30 平安银行股份有限公司 行程制定方法、装置、设备及介质
CN112580882B (zh) * 2020-12-23 2023-08-18 平安银行股份有限公司 行程制定方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110930176B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
Hajrasouliha et al. The impact of street network connectivity on pedestrian volume
Ye et al. Developing human-centered urban digital twins for community infrastructure resilience: A research agenda
Raja et al. Android and ODK based data collection framework to aid in epidemiological analysis
CN111212383B (zh) 区域常住人口数量的确定方法、装置、服务器和介质
CN111866727B (zh) 司机聚集点的展示方法、装置、电子设备、存储介质
US11468349B2 (en) POI valuation method, apparatus, device and computer storage medium
WO2022142721A1 (zh) 健康识别码的生成方法及装置、存储介质、电子设备
Bergman et al. Conflation of OpenStreetMap and mobile sports tracking data for automatic bicycle routing
Sim et al. Great cities look small
CN110930176A (zh) 预测方法、装置、电子设备及存储介质
CN110471999A (zh) 轨迹处理方法、装置、设备和介质
CN109559239A (zh) 投诉处理建议生成方法、装置、电子设备、存储介质
CN111639786A (zh) 资源配置方法、装置、存储介质及计算机设备
Meschini et al. Toward cognitive digital twins using a BIM-GIS asset management system for a diffused university
CN113420054B (zh) 信息统计方法、服务器、客户端及存储介质
CN114708545A (zh) 基于图像的对象侦测方法、装置、设备和存储介质
CN105940435A (zh) 测量并诊断城市环境中的噪音
CN113111233B (zh) 基于正则表达式的接处警文本居住地地址提取方法和装置
CN110990651B (zh) 地址数据处理方法、装置、电子设备及计算机可读介质
Sagl et al. Standardised geo-sensor webs and web-based geo-processing for near real-time situational awareness in emergency management
CN115907082A (zh) 区域人流量分析方法、装置、设备及存储介质
CN115204273A (zh) 一种基于商圈大数据对客户分类的方法、装置及电子设备
CN111428851B (zh) 救援计划的确定方法、装置、服务器和存储介质
CN111489024B (zh) 出行方案推荐方法、装置、设备及存储介质
CN110458743B (zh) 基于大数据分析的社区治理方法、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