CN113139574A - 识别车联网关键用户的方法、电子设备及可读存储介质 - Google Patents

识别车联网关键用户的方法、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113139574A
CN113139574A CN202110275885.6A CN202110275885A CN113139574A CN 113139574 A CN113139574 A CN 113139574A CN 202110275885 A CN202110275885 A CN 202110275885A CN 113139574 A CN113139574 A CN 113139574A
Authority
CN
China
Prior art keywords
vehicles
internet
users
service
target
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
CN202110275885.6A
Other languages
English (en)
Other versions
CN113139574B (zh
Inventor
卜园渊
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 Xiandou Intelligent Robot Co ltd
Shanghai Xianta Intelligent Technology Co Ltd
Original Assignee
Shanghai Xiandou Intelligent Robot Co ltd
Shanghai Xianta Intelligent 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 Xiandou Intelligent Robot Co ltd, Shanghai Xianta Intelligent Technology Co Ltd filed Critical Shanghai Xiandou Intelligent Robot Co ltd
Priority to CN202110275885.6A priority Critical patent/CN113139574B/zh
Publication of CN113139574A publication Critical patent/CN113139574A/zh
Application granted granted Critical
Publication of CN113139574B publication Critical patent/CN113139574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请涉及一种识别车联网关键用户的方法、电子设备及可读存储介质，根据预设时长内目标车联网服务的使用数据，生成不同车联网用户使用目标车联网服务的相同服务内容的累计数据；根据累计数据生成马尔可夫转移矩阵；获取预设时长内使用目标车联网服务的车联网用户对应的初始权重向量，利用马尔可夫转移矩阵对初始权重向量进行迭代运算，得到各车联网用户的权重值；根据权重值确定目标车联网服务的关键用户。本申请基于目标车联网服务的使用数据全局考虑车联网用户之间的关系，进而基于车联网用户之间的关系建立马尔可夫转移矩阵以对用户初始权重进行迭代运算，确定车联网关键用户，识别更为准确，同时减少工作量。

Description

识别车联网关键用户的方法、电子设备及可读存储介质
技术领域
本申请涉及无线通信技术领域，具体涉及一种识别车联网关键用户的方法、电子设备及可读存储介质。
背景技术
随着车辆数量的大幅度增长，以及互联网的普及，越来越多的车辆已经具有了车联网的功能。车联网服务是车联网内容运营的基础，也是车联网的核心问题之一。在车联网服务领域里，由于车联网服务是在线的服务，没有生成静态的网页或者网页链接，常见的方法是通过一些指标和一些典型的用户画像对用户服务的影响力进行评价，导致在识别车联网服务领域里接受车联网服务的用户的影响力时，识别的准确率低，使得车联网服务无法根据用户的影响力有针对性的调研，调研工作量大且准确率低。
发明内容
本申请的目的在于，提供一种识别车联网关键用户的方法、电子设备，可读存储介质其可以解决上述技术问题，可以提高识别车联网关键用户的准确率。
为解决上述技术问题，本申请提供一种识别车联网关键用户的方法，包括以下步骤：
S1.根据预设时长内目标车联网服务的使用数据，生成不同车联网用户使用所述目标车联网服务的相同服务内容的累计数据；
S2.根据所述累计数据生成马尔可夫转移矩阵，所述马尔可夫转移矩阵中的每个元素用于表征对应的两个车联网用户使用所述目标车联网服务的相同服务内容的使用概率；
S3.获取所述预设时长内使用所述目标车联网服务的车联网用户对应的初始权重向量，利用所述马尔可夫转移矩阵对所述初始权重向量进行迭代运算，得到各所述车联网用户的权重值；
S4.根据所述权重值确定所述目标车联网服务的关键用户。
其中，步骤S1，包括：
S11.生成行元素数量与列元素数量均和所述预设时长内使用目标车联网服务的车联网用户的数量相等的矩阵作为连接矩阵，所述连接矩阵中的每个元素用于表征对应的两个车联网用户使用所述目标车联网服务的相同服务内容的累计次数且元素的初始值为0；
S12.扫描所述目标车联网服务在所述预设时长内提供的服务内容；
S13.当有车联网用户使用相同的服务内容时，将所述连接矩阵中与使用相同服务内容的车联网用户对应的元素的值累计加1。
其中，步骤S2，包括：
将所述连接矩阵各元素的值除以各元素所在列中所有元素的值之和，得到所述马尔可夫转移矩阵的各元素的值，所述马尔可夫转移矩阵的各元素的值用于表征所述使用概率。
其中，所述初始权重向量中，每个车联网用户的初始权重相等。
其中，步骤S3，包括：
S31.利用所述马尔可夫转移矩阵对所述初始权重向量按照如下公式进行迭代运算：
Xn+1＝PXn
其中，P为所述马尔可夫转移矩阵，Xn+1为最近一次进行迭代计算后的权重向量，Xn为初始权重向量或上一次迭代计算的结果，n为自然数；
S32.根据迭代计算停止条件停止迭代运算，其中，当迭代计算停止时，Xn+1中对应的各所述车联网用户的权重为各所述车联网用户的权重值。
其中，所述迭代计算停止条件为，Xn+1中的每一项与Xn中的对应项之间的差值的绝对值之和小于预设值。
其中，步骤S4，包括：
将各所述车联网用户的权重值根据数值大小进行排序；
将数值最大的权重值对应的所述车联网用户确定为所述目标车联网服务的关键用户。
其中，步骤S4之后，还包括：
获取所述关键用户使用的目标车联网服务的服务内容，作为所述目标车联网服务的关键服务内容。
本申请还提供一种电子设备，包括：
至少一个处理单元；
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行如上所述中任一项所述的识别车联网关键用户的方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上所述中任一项所述的识别车联网关键用户的方法。
本申请的识别车联网关键用户的方法、电子设备及可读存储介质，根据预设时长内目标车联网服务的使用数据，生成不同车联网用户使用目标车联网服务的相同服务内容的累计数据；根据累计数据生成马尔可夫转移矩阵；获取预设时长内使用目标车联网服务的车联网用户对应的初始权重向量，利用马尔可夫转移矩阵对初始权重向量进行迭代运算，得到各车联网用户的权重值；根据权重值确定目标车联网服务的关键用户。本申请基于目标车联网服务的使用数据全局考虑车联网用户之间的关系，进而基于车联网用户之间的关系建立马尔可夫转移矩阵以对用户初始权重进行迭代运算，确定车联网关键用户，识别更为准确，同时减少工作量。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1为根据第一实施例提供的一种识别车联网关键用户的方法的流程示意图；
图2为根据第二实施例提供的一种电子设备的结构示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
第一实施例
图1为本申请实施例提供的一种识别车联网关键用户的方法的流程示意图。如图1所示，本申请实施例提供的一种识别车联网关键用户的方法，包括：
步骤S1.根据预设时长内目标车联网服务的使用数据，生成不同车联网用户使用目标车联网服务的相同服务内容的累计数据。
其中，目标车联网服务即车联网用户使用的某一种车联网服务，同一种车联网服务中，不同的服务内容可被认为是不同的链接。从而，不同车联网用户在使用同一个车联网服务的时候，目标车联网服务的相同服务内容可以认为是不同车联网用户相互之间建立起的一种网络连接。例如，目标车联网服务可以是一种音乐播放器应用，所有在使用相同音乐播放应用的车联网用户组成了一个网络；目标车联网服务的服务内容可以是音乐播放器应用播放的一首歌曲，收听同一首歌曲的车联网用户之间即在网络中存在一个连接。目标车联网服务的使用数据，也即目标车联网服务的用户使用目标车联网服务的服务内容的数据，基于这些数据可以确定使用相同服务内容的车联网用户及不同车联网用户使用相同服务内容的次数、频率或时间。
在一实施方式中，步骤S1，包括：
S11.生成行元素数量与列元素数量均和预设时长内使用目标车联网服务的车联网用户的数量相等的矩阵作为连接矩阵，连接矩阵中的每个元素用于表征对应的两个车联网用户使用目标车联网服务的相同服务内容的累计次数且元素的初始值为0；
S12.扫描目标车联网服务在预设时长内提供的服务内容；
S13.当有车联网用户使用相同的服务内容时，将连接矩阵中与使用相同服务内容的车联网用户对应的元素的值累计加1。
其中，用户连接关系采用连接矩阵进行数据化体现，连接矩阵中的每个元素用于表征对应的两个车联网用户使用目标车联网服务的相同服务内容的累计数据，通过累计数据体现用户连接的重复程度。在一应用场景中，累计数据优选为次数，假使使用目标车联网服务的用户的数量为N，则建立一个N*N的矩阵做为连接矩阵，矩阵中的每个元素的初始值为0，表示初始状态下没有车联网用户使用相同的服务；接着，扫描所有目标车联网服务在预设时长内提供的服务内容，当出现有车联网用户使用相同的服务内容时，即对应的用户之间产生一次连接，将连接矩阵中与使用相同服务内容的车联网用户对应的元素的值累计加1，这样就建立起来车联网用户针对相同车联网服务的连接矩阵。
以下以使用目标车联网服务的用户的数量为4，目标车联网服务为相同的音乐播放器应用，相同服务内容为相同的歌曲为例，则使用相同服务内容的两个用户之间有连接。目标车联网服务的用户分别为A、B、C、D，分别收听歌曲a、b、c、d、e，预设时长内目标车联网服务的使用相同服务内容的数据如下：
表1.预设时长内目标车联网服务的使用相同服务内容的数据
a b c d e
A 1 1 1
B 1 1 1
C 1 1 1
D 1 1
目标车联网服务的用户的数量为4，则建立4*4的矩阵作为连接矩阵，元素的初始值为0。从表1可以看到，歌曲a有两个用户AB共同收听，则认为AB之间就有一个连接，那么，根据歌曲b说明AB、AC、BC有连接，根据歌曲c说明AC之间有连接，根据歌曲d说明BD之间有连接，根据歌曲e说明CD之间有连接。根据表1的目标车联网服务的使用数据，将连接矩阵中与使用相同服务内容的车联网用户对应的元素的值累计加1，例如，AC分别通过歌曲c和歌曲b，累计发生两次连接，对应的元素值为累加后的数值2，A和D之间没有收听相同歌曲，则对应的元素值为初始值0，以此类推，这样就建立起如下所示的连接矩阵L：
Figure BDA0002976616900000081
其中，连接矩阵L的每一行依次代表用户A、B、C、D，连接矩阵L的每一列依次代表用户A、B、C、D。
步骤S2.根据累计数据生成马尔可夫转移矩阵，马尔可夫转移矩阵中的每个元素用于表征对应的两个车联网用户使用目标车联网服务的相同服务内容的使用概率。
其中，在建立连接矩阵后，步骤S2，包括：
将连接矩阵各元素的值除以各元素所在列中所有元素的值之和，得到马尔可夫转移矩阵的各元素的值，马尔可夫转移矩阵的各元素的值用于表征使用概率。
也即，假设该矩阵的每一列代表上的数字的加权值是T，则修改转移矩阵的系数为1/T乘以该矩阵对应的数字，余下的系数都是0。例如，根据步骤S1得到的连接矩阵L中，第一列中所有元素的值之和为4，也即加权值T为4，将连接矩阵L第一列中各元素的值除以4，可以得到如下马尔可夫转移矩阵P所示的第一列的各元素的值，连接矩阵L中元素的值为0的元素，转换后也为0。以此类推，根据连接矩阵L，可以得到如下所示的马尔可夫转移矩阵P：
Figure BDA0002976616900000082
马尔可夫转移矩阵P中，各元素的值表示对应的两个车联网用户使用目标车联网服务的相同服务内容的使用概率。其中，马尔可夫转移矩阵P的各元素为非负数，且每列元素之和为1。
步骤S3.获取预设时长内使用目标车联网服务的车联网用户对应的初始权重向量，利用马尔可夫转移矩阵对初始权重向量进行迭代运算，得到各车联网用户的权重值。具体包括以下步骤：
S31.利用马尔可夫转移矩阵对初始权重向量按照如下公式进行迭代运算：
Xn+1＝PXn
其中，P为马尔可夫转移矩阵，Xn+1为最近一次进行迭代计算后的权重向量，Xn为初始权重向量或上一次迭代计算的结果，n为自然数。
以步骤S2得到的马尔可夫转移矩阵P为例，Xn为初始权重向量，根据迭代运算公式Xn+1＝PXn，运算过程如下：
Figure BDA0002976616900000091
Figure BDA0002976616900000092
Figure BDA0002976616900000093
S32.根据迭代计算停止条件停止迭代运算，其中，当迭代计算停止时，Xn+1中对应的各车联网用户的权重为各车联网用户的权重值。
其中，设置迭代计算提示条件为Xn+1中的每一项与Xn中的对应项之间的差值的绝对值之和小于预设值。迭代计算停止后，车联网服务中的用户的权重会变得完全不同，计算结果就代表了该用户的在所有使用目标车联网的用户中的权重值。
步骤S4.根据权重值确定目标车联网服务的关键用户，具体包括：
将各车联网用户的权重值根据数值大小进行排序；
将数值最大的权重值对应的车联网用户确定为目标车联网服务的关键用户。
步骤S4之后，还包括：
获取关键用户使用的目标车联网服务的服务内容，作为目标车联网服务的关键服务内容。
其中，权重大就代表了该车联网用户在目标车联网服务中的影响力比较大，排序之后，权重值较大的车联网用户为目标车联网服务的关键用户，也即关键节点。同时，与关键节点相连的服务内容就是目标车联网服务的关键服务内容。
以下介绍通过本实施例的方法识别擦肩而过这种车联网服务的关键用户的过程。
擦肩而过是这样的一种车联网服务，其实时通过卫星定位模块检测车联网用户的位置信息，当检测到任意两个车联网用户的距离小于某一个预设距离时，再检测这两个车联网用户处于当前距离时是否同时在线，若同时在线即认为是这两个车联网用户为一对擦肩而过用户。其中，擦肩而过服务也即目标车联网服务，两个用户擦肩而过即为目标车联网服务中的相同服务内容。
首先，在预设时长内，例如预设时长为一个星期，实时采集每一个车联网用户的每一条行程数据，根据行程数据确定在预设距离范围内同时在线的所有车联网用户，预设距离可以是100米，从而获取到预设时长内擦肩而过服务的使用数据。
接着，根据擦肩而过的用户总数建立连接矩阵，连接矩阵中的每个元素用于表征对应的两个车联网用户擦肩而过的累计次数且元素的初始值为0，扫描预设时长内擦肩而过服务的使用数据，如果两个车联网用户擦肩而过，也即在预设距离范围内同时在线，就认为这两个车联网用户使用擦肩而过服务的相同服务内容，两者之间存在连接关系，从而采用与表1类似的方式对连接矩阵的元素值进行累加，建立预设时长内不同车联网用户针对擦肩而过服务的连接矩阵。
之后，根据预设时长内车联网用户针对擦肩而过服务的连接矩阵生成擦肩而过服务的马尔可夫转移矩阵，生成擦肩而过服务的马尔可夫转移矩阵与前文生成马尔可夫转移矩阵P的方法相同，不再赘述。然后，对在擦肩而过服务中的车联网用户的连接关系以及车联网用户的权重进行数据分析，通过获取预设时长内使用擦肩而过服务的车联网用户对应的初始权重向量，利用马尔可夫转移矩阵对初始权重向量进行迭代运算，得到预设时长内各车联网用户的权重值。
最后，将预设时长内各车联网用户的权重值，经过按照权重值的大小顺序进行排列之后，就能确定预设时长内擦肩而过服务的关键用户，例如权重最大的某一车联网用户为擦肩而过服务的关键用户，也即擦肩而过服务的关键节点。
由此，与权值越重的用户存在连接关系的车联网用户的权重也越重，由于最开始不能完全确定车联网用户的权重，所以最开始假定所有车联网用户的权重相同，然后进行迭代，选择出权重最重要的车联网用户，即为关键用户。分析发现，使用车联网服务时长越长越可能成为关键用户，和其他用户使用的车联网服务重复的越多，越有可能成为关键用户，而本实施例的方法综合考虑了以上两种情况，同时更是全局考虑用户之间的关系，对关键节点的判断更为准确。
综上所述，本申请的识别车联网关键用户的方法，根据预设时长内目标车联网服务的使用数据，生成不同车联网用户使用目标车联网服务的相同服务内容的累计数据；根据累计数据生成马尔可夫转移矩阵；获取预设时长内使用目标车联网服务的车联网用户对应的初始权重向量，利用马尔可夫转移矩阵对初始权重向量进行迭代运算，得到各车联网用户的权重值；根据权重值确定目标车联网服务的关键用户。本申请基于目标车联网服务的使用数据全局考虑车联网用户之间的关系，进而基于车联网用户之间的关系建立马尔可夫转移矩阵以对用户初始权重进行迭代运算，确定车联网关键用户，识别更为准确，同时减少工作量。在确定车联网关键用户之后，根据关键用户使用的目标车联网服务的服务内容确定目标车联网服务的关键服务内容，通过有针对性的调研结果来更新车联网用户的服务内容，既可以提示车联网服务质量，又可以减少调研的工作量和调研结果的准确性。
第二实施例
图2为本申请实施例提供的一种电子设备的结构示意图。图2示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和适用范围带来任何限制。如图2所示，本申请还提供一种电子设备600包括处理单元601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行本公开实施例的方法。处理器601例如可以包括通用微处理器(例如CPU)、指令处理器和/或相关芯片组和/或专用微处理器(例如专用集成电路(ASIC))，等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM603中，存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM603中通过总线604彼此相连。处理器601通过执行ROM602和/或RAM603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，上述程序也可以存储在除ROM602和RAM603以外的一个或多个存储器中。处理器601也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
在本实施例中，处理器601通过执行存储在一个或多个存储器中的程序，可以根据预设时长内目标车联网服务的使用数据，生成不同车联网用户使用目标车联网服务的相同服务内容的累计数据；根据累计数据生成马尔可夫转移矩阵；获取预设时长内使用目标车联网服务的车联网用户对应的初始权重向量，利用马尔可夫转移矩阵对初始权重向量进行迭代运算，得到各车联网用户的权重值；根据权重值确定目标车联网服务的关键用户。本申请基于目标车联网服务的使用数据全局考虑车联网用户之间的关系，进而基于车联网用户之间的关系建立马尔可夫转移矩阵以对用户初始权重进行迭代运算，确定车联网关键用户，识别更为准确，同时减少工作量。
根据本公开的实施例，电子设备600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至输入/输出(I/O)接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。此外，驱动器，可拆卸介质。诸如磁盘、光盘、磁光盘、半导体存储器等可也根据需要连接至输入/输出(I/O)接口605上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
根据本公开的实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品。其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行图1所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块和单元等可以通过计算机程序模块来实现。
本申请的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或多个程序，当上述一个或多个程序被执行时，实现根据本公开实施例的方法。
本实施例执行上述方法步骤的具体过程，详见图1的相关描述，在此不再赘述。
以上，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制，虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本申请技术方案内容，依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本申请技术方案的范围内。

Claims (10)

1.一种识别车联网关键用户的方法，其特征在于，包括：
S1.根据预设时长内目标车联网服务的使用数据，生成不同车联网用户使用所述目标车联网服务的相同服务内容的累计数据；
S2.根据所述累计数据生成马尔可夫转移矩阵，所述马尔可夫转移矩阵中的每个元素用于表征对应的两个车联网用户使用所述目标车联网服务的相同服务内容的使用概率；
S3.获取所述预设时长内使用所述目标车联网服务的车联网用户对应的初始权重向量，利用所述马尔可夫转移矩阵对所述初始权重向量进行迭代运算，得到各所述车联网用户的权重值；
S4.根据所述权重值确定所述目标车联网服务的关键用户。
2.根据权利要求1所述的识别车联网关键用户的方法，其特征在于，步骤S1，包括：
S11.生成行元素数量与列元素数量均和所述预设时长内使用目标车联网服务的车联网用户的数量相等的矩阵作为连接矩阵，所述连接矩阵中的每个元素用于表征对应的两个车联网用户使用所述目标车联网服务的相同服务内容的累计次数且元素的初始值为0；
S12.扫描所述目标车联网服务在所述预设时长内提供的服务内容；
S13.当有车联网用户使用相同的服务内容时，将所述连接矩阵中与使用相同服务内容的车联网用户对应的元素的值累计加1。
3.根据权利要求2所述的识别车联网关键用户的方法，其特征在于，步骤S2，包括：
将所述连接矩阵各元素的值除以各元素所在列中所有元素的值之和，得到所述马尔可夫转移矩阵的各元素的值，所述马尔可夫转移矩阵的各元素的值用于表征所述使用概率。
4.根据权利要求1所述的识别车联网关键用户的方法，其特征在于，所述初始权重向量中，每个车联网用户的初始权重相等。
5.根据权利要求1所述的识别车联网关键用户的方法，其特征在于，步骤S3，包括：
S31.利用所述马尔可夫转移矩阵对所述初始权重向量按照如下公式进行迭代运算：
Xn+1＝PXn
其中，P为所述马尔可夫转移矩阵，Xn+1为最近一次进行迭代计算后的权重向量，Xn为初始权重向量或上一次迭代计算的结果，n为自然数；
S32.根据迭代计算停止条件停止迭代运算，其中，当迭代计算停止时，Xn+1中对应的各所述车联网用户的权重为各所述车联网用户的权重值。
6.根据权利要求5所述的识别车联网关键用户的方法，其特征在于，所述迭代计算停止条件为，Xn+1中的每一项与Xn中的对应项之间的差值的绝对值之和小于预设值。
7.根据权利要求1所述的识别车联网关键用户的方法，其特征在于，步骤S4，包括：
将各所述车联网用户的权重值根据数值大小进行排序；
将数值最大的权重值对应的所述车联网用户确定为所述目标车联网服务的关键用户。
8.根据权利要求1或7所述的识别车联网关键用户的方法，其特征在于，步骤S4之后，还包括：
获取所述关键用户使用的目标车联网服务的服务内容，作为所述目标车联网服务的关键服务内容。
9.一种电子设备，其特征在于，包括：
至少一个处理单元；
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据权利要求1至8任一项所述的识别车联网关键用户的方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1至8中任一项所述的识别车联网关键用户的方法。
CN202110275885.6A 2021-03-15 2021-03-15 识别车联网关键用户的方法、电子设备及可读存储介质 Active CN113139574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110275885.6A CN113139574B (zh) 2021-03-15 2021-03-15 识别车联网关键用户的方法、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110275885.6A CN113139574B (zh) 2021-03-15 2021-03-15 识别车联网关键用户的方法、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113139574A true CN113139574A (zh) 2021-07-20
CN113139574B CN113139574B (zh) 2024-04-26

Family

ID=76811075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110275885.6A Active CN113139574B (zh) 2021-03-15 2021-03-15 识别车联网关键用户的方法、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113139574B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5519832B1 (ja) * 2013-05-21 2014-06-11 日本電信電話株式会社 推薦システム、推薦サーバ、推薦方法および推薦プログラム
WO2016015444A1 (zh) * 2014-07-31 2016-02-04 华为技术有限公司 一种目标用户的确定方法、设备和网络服务器
US20160034968A1 (en) * 2014-07-31 2016-02-04 Huawei Technologies Co., Ltd. Method and device for determining target user, and network server
US20180165590A1 (en) * 2016-12-09 2018-06-14 Adobe Systems Incorporated Techniques for providing sequential recommendations to users
CN108563660A (zh) * 2017-12-29 2018-09-21 温州大学 服务推荐方法、系统及服务器
CN109118155A (zh) * 2017-06-26 2019-01-01 华为技术有限公司 一种生成操作模型的方法及装置
CN111445075A (zh) * 2020-03-26 2020-07-24 深圳先进技术研究院 停车场服务区域的确定方法、装置、设备以及存储介质
CN111881477A (zh) * 2020-07-28 2020-11-03 平安科技（深圳）有限公司 数据内容的标引方法、装置、计算机设备及存储介质
CN112256756A (zh) * 2020-10-22 2021-01-22 重庆邮电大学 一种基于三元关联图和知识表示的影响力发现方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5519832B1 (ja) * 2013-05-21 2014-06-11 日本電信電話株式会社 推薦システム、推薦サーバ、推薦方法および推薦プログラム
WO2016015444A1 (zh) * 2014-07-31 2016-02-04 华为技术有限公司 一种目标用户的确定方法、设备和网络服务器
US20160034968A1 (en) * 2014-07-31 2016-02-04 Huawei Technologies Co., Ltd. Method and device for determining target user, and network server
US20180165590A1 (en) * 2016-12-09 2018-06-14 Adobe Systems Incorporated Techniques for providing sequential recommendations to users
CN109118155A (zh) * 2017-06-26 2019-01-01 华为技术有限公司 一种生成操作模型的方法及装置
CN108563660A (zh) * 2017-12-29 2018-09-21 温州大学 服务推荐方法、系统及服务器
CN111445075A (zh) * 2020-03-26 2020-07-24 深圳先进技术研究院 停车场服务区域的确定方法、装置、设备以及存储介质
CN111881477A (zh) * 2020-07-28 2020-11-03 平安科技（深圳）有限公司 数据内容的标引方法、装置、计算机设备及存储介质
CN112256756A (zh) * 2020-10-22 2021-01-22 重庆邮电大学 一种基于三元关联图和知识表示的影响力发现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴哲: "基于用户关系的在线社会网络关键用户识别算法", 《北京交通大学学报》, vol. 38, no. 5, pages 37 - 42 *
张金龙: "一种移动通信网络的关键用户预测方法", 《移动通信》, no. 10, pages 11 - 14 *

Also Published As

Publication number Publication date
CN113139574B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN110084658B (zh) 物品匹配的方法和装置
CN110555451A (zh) 信息识别方法和装置
CN109903095A (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN112650841A (zh) 信息处理方法、装置和电子设备
CN111459992B (zh) 信息推送方法、电子设备和计算机可读介质
CN107291774B (zh) 错误样本识别方法和装置
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
CN112907334A (zh) 一种对象推荐方法及装置
CN112182370A (zh) 物品类目信息推送方法、装置、电子设备和介质
CN115809887A (zh) 一种基于发票数据确定企业主要经营范围的方法和装置
CN111695041A (zh) 用于推荐信息的方法和装置
CN111488517A (zh) 用于训练点击率预估模型的方法和装置
CN110008396B (zh) 对象信息推送方法、装置、设备及计算机可读存储介质
CN110609783A (zh) 用于识别异常行为用户的方法和装置
CN109978594B (zh) 订单处理方法、装置及介质
CN111667018B (zh) 一种对象聚类的方法、装置、计算机可读介质及电子设备
CN115049446A (zh) 商户识别方法、装置、电子设备及计算机可读介质
CN110633405A (zh) 用于推送信息的方法和装置
CN113139574B (zh) 识别车联网关键用户的方法、电子设备及可读存储介质
CN109344327B (zh) 用于生成信息的方法和装置
CN111428486B (zh) 物品信息数据处理方法、装置、介质及电子设备
CN114049162B (zh) 模型训练方法、需求量预测方法、装置、设备和存储介质
CN107357847B (zh) 数据处理方法及其装置
CN113792952A (zh) 用于生成模型的方法和装置
CN114445179A (zh) 业务推荐方法、装置、电子设备和计算机可读介质

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