CN114549143B - 线下停车记录与线上购买行为融合的个性化商品推荐方法 - Google Patents
线下停车记录与线上购买行为融合的个性化商品推荐方法 Download PDFInfo
- Publication number
- CN114549143B CN114549143B CN202210267188.0A CN202210267188A CN114549143B CN 114549143 B CN114549143 B CN 114549143B CN 202210267188 A CN202210267188 A CN 202210267188A CN 114549143 B CN114549143 B CN 114549143B
- Authority
- CN
- China
- Prior art keywords
- user
- parking
- node
- similarity
- users
- 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.)
- Active
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/0265—Vehicular advertisement
-
- 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种线下停车记录与线上购买行为融合的个性化商品推荐方法,属于数据分析技术领域。该方法基于多个停车场的用户停车记录,构建用户停车时空路径;再通过用户时空路径相似度计算模型,计算出任意两个用户之间的时空路径相似度,构建用户相似度矩阵;然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户,基于这一组用户对停车系统推送商品的历史购买行为数据,计算出目标用户对停车系统推送的商品的偏好值,按偏好值对目标用户进行协同过滤推荐。本发明能够做到个性化商品推荐和更好的准确性,既能提高转化率和智慧停车系统的收入,创造线下停车记录更多的数据价值,还能为用户推荐更加符合兴趣偏好的商品。
Description
技术领域
本发明属于数据分析技术领域,涉及一种线下停车记录与线上购买行为融合的个性化商品推荐方法。
背景技术
目前国内外大中城市为了缓解停车难问题,都开发实施了城市级的智慧停车系统,如我国的上海、深圳和成都等城市都已经完成了覆盖城市区域内大部分停车场的智慧停车系统(包括智慧停车APP,微信公众号以及小程序)的部署与运行,为出行用户搜索目的地周边可用车位,停车自助缴费和预约车位等提供了便利途径。智慧停车系统是指将无线通信技术、移动终端技术、GPS定位技术、GIS技术等综合应用于城市区域内各种商业和公共停车场的停车位状态的采集、管理、查询、预订与导航服务,实现停车位资源的实时更新、查询、预订与导航服务一体化。智慧停车系统有效地减少了用户在目的地周边街道低速巡游搜索车位的时间成本,车辆尾气排放和交通拥堵等问题,同时也有效提升了停车资源的利用率。
从上个世纪九十年代开始,电商平台已经开始利用用户的在线商品浏览、点击和购买等行为数据,开发了一系列推荐方法,帮助商家为消费者提供个性化和精准的商品推送,增加了广告转化率和电商平台收入。
智慧停车系统的广泛使用,也为商家定向推送商品广告提供了新的途径。目前一些智慧停车系统通过与广告商合作,在用户使用系统时推送无差别的商品广告,但未能充分利用用户线下停车记录,针对具体不同的用户推送个性化的商品广告。
发明内容
本发明提供了一种线下停车记录与线上购买行为融合的个性化商品推荐方法,该方法利用城市级智慧停车系统记录的用户在一段时间内多个停车场的停车记录以及用户对内嵌于智慧停车系统的商品广告的历史购买行为数据,构建用户停车时空路径相似度计算模型,然后基于用户的历史购买行为数据对目标用户进行协同过滤推荐。
本发明采用的技术方案如下:
线下停车记录与线上购买行为融合的个性化商品推荐方法,其特征在于,该方法基于多个停车场的用户停车记录,构建用户停车时空路径;再通过用户时空路径相似度计算模型,计算出任意两个用户之间的时空路径相似度,构建用户相似度矩阵;然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户,基于这一组用户对停车系统推送商品的历史购买行为数据,计算出目标用户对停车系统推送的商品的偏好值,按偏好值对目标用户进行协同过滤推荐。
所述用户停车时空路径,是指基于一段时间内用户的停车记录,以停车场为节点,按时间顺序构建的一条序列;所述节点具有四个属性:停车场编号、周边兴趣点(Point ofInterest of Place, POI)编号、用户到达时间及停留时长。其中,兴趣点(POI)为地理信息系统范畴中的概念,具体指与人们生活密切相关可以抽象为点的地理实体,如学校、银行、餐馆、医院、超市、公交站等。
所述历史购买行为数据,是指停车系统(包括智能手机上的APP,微信公众号或小程序等)向用户推送商品后,停车系统记录的用户点击、浏览和购买商品的数据。
所述用户停车时空路径相似度计算模型,用于根据用户停车时空路径,计算两个用户之间的最长加权相似子序列的加权长度,进行归一化后得到两个用户之间的时空路径相似度。
所述用户停车时空路径相似度计算模型,具体为:
定义A用户的停车时空路径为 ( ),B用户的停
车时空路径为(),其中,表示A用户停车时空路径中
第个节点,,表示B用户停车时空路径中的第个节点,。每
个节点均具有四个属性,其中表示对应节点的停车场编号,表示对应节点的
兴趣点编号,表示用户在对应节点的到达时间,表示用户在对应节点的停留时长;当A用
户和B用户的某一节点的停车场编号相同或者兴趣点编号相同时,则该节点为相似节点。
S1、判断A用户第m个节点和B用户第n个节点的停车场编号是否相同;若相同,则转到S2.1,若不同则转到S2.2。
S2.1、判断+1**、、这三个值的大小,令取最大
值;其中,表示A用户前m−1个节点和B用户前n−1个节点的最长加权相似子序列的
加权长度,参数为A用户在第m个节点和B用户在第n个节点的到达时间相似度,参数为A
用户在第m个节点和B用户在第n个节点的停留时长相似度;表示A用户前m−1个节点
和和B用户前n个节点的最长加权相似子序列的加权长度;表示A用户前m个节点和B
用户前n−1个节点的最长加权相似子序列的加权长度。
S2.2、判断A用户第m个节点和B用户第n个节点的的兴趣点编号是否相同;若兴趣
点编号不同,则判断和这两个值的大小,令取较大值;若兴趣点编号相
同,则判断+**、、这三个值的大小,令取最大值,其中
为量化两个节点兴趣点相同时空间邻近性的一个预设值。
本发明使用停车场目前暂未有效利用的用户停车记录,分析整理得到用户停车时空路径信息,并构建了一个用户停车时空路径相似度计算模型,来实现对用户进行个性化的商品推荐。首先,获取城市级智慧停车系统所覆盖的停车场的用户停车记录,使用本发明提出的用户停车时空路径相似度计算模型计算出任意两个用户之间的停车时空路径相似度,构建用户相似度矩阵;其次,基于协同过滤算法,从相似度矩阵中提取与目标用户停车行为相似度最高的一组用户,使用这一组用户对系统推送商品的历史购买行为数据,计算出目标用户对系统推送商品的偏好值;最后,对目标用户进行个性化的商品推荐。本发明通过用户的线下停车记录来刻画用户之间的相似度,并以此为基础在智慧停车系统中对用户进行个性化的商品推荐,与当前智慧停车系统中的无差别商品推荐相比,能做到个性化商品推荐和更好的准确性,既能提高转化率和智慧停车系统的收入,创造线下停车记录更多的数据价值,还能为用户推荐更加符合兴趣偏好的商品。
附图说明
图1为本发明线下停车记录与线上购买行为融合的个性化商品推荐方法的流程图。
图2 为本实施例中A用户和B用户的停车时空路径示意图。
附图标号说明:●表示A用户的节点,▲表示B用户的节点。
具体实施方式
为了更好的说明本发明的技术方案及优势,以下结合具体实施例,对本发明作进一步地阐述。图1为本发明线下停车记录与线上购买行为融合的个性化商品推荐方法的流程图,该方法基于多个停车场的用户停车记录,构建用户停车时空路径;再通过用户时空路径相似度计算模型,计算出任意两个用户之间的时空路径相似度,构建用户相似度矩阵;然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户,基于这一组用户对停车系统推送商品的历史购买行为数据,计算出目标用户对停车系统推送的商品的偏好值,按偏好值对目标用户进行协同过滤推荐。
图2 为本实施例中A用户和B用户的停车时空路径示意图,假设在一段时间内,A用
户的停车时空路径为 ( ),B用户的停车时空路径为(),其中表示A用户停车时空路径中的第个节点,,表示B用户停车时空路径中的第
个节点,。每个节点均具有四个属性,其中表示对应节点的停车场编
号,表示对应节点的兴趣点编号,表示用户在对应节点的到达时间,表示用户在对应节
点的停留时长,到达时间和停留时长只表示时分秒属性,范围为0-86399秒。当A用户和B用
户的某一节点的停车场编号相同或者兴趣点编号相同时,则该节点为相似节点,其中对于和中的停车场编号相同,定义=,兴趣点编号相同,定义≈。由A用户和B用
户的相似节点构成的停车时空路径的相似子序列为=,其中,相似子序列L中的第k个相似节点,k=1,2,..,。
在本实施例中,(5,0,28415,7060),(2,2,31907,5360),(7,2,
43551,2655),(5,0,38586,2831),(7,2,27373,3744),(2,2,55234,
3908)。
因此,A用户和B用户停车时空路径的相似子序列为L=[(,)],L=[(,)],
L=[(,)],L=[(,)],L=[(,)],L=[(,), (,)],L=[(,), (,)],L=[(,), (,)],L=[(,), (,)],L=[(,),(,)],
L=[(,) ,(,) , (,)]。A用户和B用户时空路径的相似子序列有很多条,本
发明提出的用户停车时空路径相似度计算模型不需要找出每一条相似子序列并计算其加
权长度,只需要通过递归的方法直接找到最长加权相似子序列的加权长度,而不关注最长
加权相似子序列的具体情况,就能刻画两个用户之间的时空路径相似度。
β为停留时间相似度,计算公式如下:
同理可以计算出任意两个用户之间的时空路径相似度,得到用户相似度矩阵。然后结合用户相似度矩阵和用户的历史购买行为数据,对目标用户进行基于协同过滤算法的商品推荐,包括以下步骤:
S4,对上一步骤中计算出的购买可能性,进行降序排列后选择前N个商品,对目标用户进行推荐。
Claims (3)
1.线下停车记录与线上购买行为融合的个性化商品推荐方法,其特征在于,该方法基于多个停车场的用户停车记录,构建用户停车时空路径;再通过用户时空路径相似度计算模型,计算出任意两个用户之间的时空路径相似度,构建用户相似度矩阵;然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户,基于这一组用户对停车系统推送商品的历史购买行为数据,计算出目标用户对停车系统推送的商品的偏好值,按偏好值对目标用户进行协同过滤推荐;
所述用户停车时空路径,是指基于一段时间内用户的停车记录,以停车场为节点,按时间顺序构建的一条序列;
所述历史购买行为数据,是指停车系统向用户推送商品后,停车系统记录的用户点击、浏览和购买商品的数据;
所述用户停车时空路径相似度计算模型,用于根据用户停车时空路径,计算两个用户之间的最长加权相似子序列的加权长度,进行归一化后得到两个用户之间的时空路径相似度。
2.如权利要求1所述的线下停车记录与线上购买行为融合的个性化商品推荐方法,其特征在于,所述用户停车时空路径相似度计算模型,具体为:
定义A用户的停车时空路径为 ( ),B用户的停车时空路
径为(),其中,表示A用户停车时空路径中第个节点,,表示B用户停车时空路径中的第个节点,;每个节点均具有四
个属性,其中表示对应节点的停车场编号,表示对应节点的兴趣点编号,表示
用户在对应节点的到达时间,表示用户在对应节点的停留时长;当A用户和B用户的某一节
点的停车场编号相同或者兴趣点编号相同时,则该节点为相似节点;
S1、判断A用户第m个节点和B用户第n个节点的停车场编号是否相同;若相同,则转到S2.1,若不同则转到S2.2;
S2.1、判断+1**、、这三个值的大小,令取最大值;其中,表示A用户前m−1个节点和B用户前n−1个节点的最长加权相似子序列的加权长度,
参数为A用户在第m个节点和B用户在第n个节点的到达时间相似度,参数为A用户在第m
个节点和B用户在第n个节点的停留时长相似度;表示A用户前m−1个节点和和B用户
前n个节点的最长加权相似子序列的加权长度;表示A用户前m个节点和B用户前n−1
个节点的最长加权相似子序列的加权长度;
S2.2、判断A用户第m个节点和B用户第n个节点的的兴趣点编号是否相同;若兴趣点编
号不同,则判断和这两个值的大小,令取较大值;若兴趣点编号相同,则判
断+**、、这三个值的大小,令取最大值,其中为量化两个
节点兴趣点相同时空间邻近性的一个预设值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210267188.0A CN114549143B (zh) | 2022-03-18 | 2022-03-18 | 线下停车记录与线上购买行为融合的个性化商品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210267188.0A CN114549143B (zh) | 2022-03-18 | 2022-03-18 | 线下停车记录与线上购买行为融合的个性化商品推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114549143A CN114549143A (zh) | 2022-05-27 |
CN114549143B true CN114549143B (zh) | 2022-07-29 |
Family
ID=81662928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210267188.0A Active CN114549143B (zh) | 2022-03-18 | 2022-03-18 | 线下停车记录与线上购买行为融合的个性化商品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549143B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2151799A1 (en) * | 2008-08-01 | 2010-02-10 | Neptuny S.r.l. | Recommander method and system, in particular for IPTV |
CA2829252A1 (en) * | 2011-03-08 | 2012-09-13 | Justin Moore | System and method for providing recommendations with a location-based service |
JP2013093015A (ja) * | 2011-10-06 | 2013-05-16 | Nippon Telegr & Teleph Corp <Ntt> | 情報推薦方法、装置及びプログラム |
CN105225129A (zh) * | 2015-09-16 | 2016-01-06 | 泉州师范学院 | 移动o2o推荐方法及其系统 |
CN108647996A (zh) * | 2018-04-11 | 2018-10-12 | 中山大学 | 一种基于Spark的个性化推荐方法及系统 |
CN109246181A (zh) * | 2018-07-24 | 2019-01-18 | 西安艾润物联网技术服务有限责任公司 | 基于车辆识别的信息推送方法及相关产品 |
CN110619539A (zh) * | 2019-08-08 | 2019-12-27 | 横琴善泊投资管理有限公司 | 一种基于停车场聚合信息的大数据分析方法和系统 |
CN111047394A (zh) * | 2019-11-20 | 2020-04-21 | 泰康保险集团股份有限公司 | 商品推荐方法、装置、电子设备及计算机可读介质 |
CN112784177A (zh) * | 2021-01-18 | 2021-05-11 | 杭州电子科技大学 | 一种空间距离自适应的下一个兴趣点推荐方法 |
CN113590936A (zh) * | 2021-07-02 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
CN113761393A (zh) * | 2021-09-26 | 2021-12-07 | 广州华多网络科技有限公司 | 商品协同推荐方法及其装置、设备、介质、产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10235403B2 (en) * | 2014-07-08 | 2019-03-19 | Palo Alto Research Center Incorporated | Parallel collective matrix factorization framework for big data |
-
2022
- 2022-03-18 CN CN202210267188.0A patent/CN114549143B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2151799A1 (en) * | 2008-08-01 | 2010-02-10 | Neptuny S.r.l. | Recommander method and system, in particular for IPTV |
CA2829252A1 (en) * | 2011-03-08 | 2012-09-13 | Justin Moore | System and method for providing recommendations with a location-based service |
JP2013093015A (ja) * | 2011-10-06 | 2013-05-16 | Nippon Telegr & Teleph Corp <Ntt> | 情報推薦方法、装置及びプログラム |
CN105225129A (zh) * | 2015-09-16 | 2016-01-06 | 泉州师范学院 | 移动o2o推荐方法及其系统 |
CN108647996A (zh) * | 2018-04-11 | 2018-10-12 | 中山大学 | 一种基于Spark的个性化推荐方法及系统 |
CN109246181A (zh) * | 2018-07-24 | 2019-01-18 | 西安艾润物联网技术服务有限责任公司 | 基于车辆识别的信息推送方法及相关产品 |
CN110619539A (zh) * | 2019-08-08 | 2019-12-27 | 横琴善泊投资管理有限公司 | 一种基于停车场聚合信息的大数据分析方法和系统 |
CN111047394A (zh) * | 2019-11-20 | 2020-04-21 | 泰康保险集团股份有限公司 | 商品推荐方法、装置、电子设备及计算机可读介质 |
CN112784177A (zh) * | 2021-01-18 | 2021-05-11 | 杭州电子科技大学 | 一种空间距离自适应的下一个兴趣点推荐方法 |
CN113590936A (zh) * | 2021-07-02 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
CN113761393A (zh) * | 2021-09-26 | 2021-12-07 | 广州华多网络科技有限公司 | 商品协同推荐方法及其装置、设备、介质、产品 |
Non-Patent Citations (2)
Title |
---|
Towards mobile intelligence: Learning from GPS history data for collaborative recommendation;Zheng, VW 等;《ARTIFICIAL INTELLIGENCE》;20120606;全文 * |
基于用户行为和数据的商品推荐系统的设计和实现;武晓童;《中国优秀硕士学位论文全文数据库》;20210915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114549143A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qian et al. | Optimal assignment and incentive design in the taxi group ride problem | |
US10939233B2 (en) | System and method for real-time prediction of mobile device locations | |
US10455363B2 (en) | Systems and methods for using geo-blocks and geo-fences to discover lookalike mobile devices | |
JP5771534B2 (ja) | スポンサー付きランドマーク及びロケーションラベルを配信するためのシステム及び方法 | |
US11683655B2 (en) | Systems and methods for predicting mobile device locations using processed mobile device signals | |
Zhang et al. | Sensing the pulse of urban refueling behavior | |
JP2021009710A (ja) | マーケティング上のモバイル広告供給に関するシステムと方法 | |
US8090532B2 (en) | Pedestrian route production | |
US20070042770A1 (en) | Information distribution | |
US20190007793A1 (en) | System and method for using geo-blocks and geo-fences to predict mobile device locations | |
US20080097688A1 (en) | Route generation based upon activity criteria | |
CN105808680A (zh) | 基于张量分解进行上下文相关的位置推荐方法 | |
US11134359B2 (en) | Systems and methods for calibrated location prediction | |
WO2019075120A1 (en) | SYSTEMS AND METHODS FOR USING GEOBLOCS AND GEOBARRIERS TO DISCOVER SIMILAR MOBILE DEVICES | |
CN112241489A (zh) | 信息推送方法、装置、可读存储介质和计算机设备 | |
US11172324B2 (en) | Systems and methods for predicting targeted location events | |
CN110059795A (zh) | 一种融合地理位置与时间特征的移动用户节点组网方法 | |
Qin et al. | Resgcn: Residual graph convolutional network based free dock prediction in bike sharing system | |
CN114549143B (zh) | 线下停车记录与线上购买行为融合的个性化商品推荐方法 | |
JP2022526401A (ja) | 交通システム内でのサイト及び場所の間のルート又はルート距離を使用してサイトを検索又は比較するための方法及び装置 | |
US11146911B2 (en) | Systems and methods for pacing information campaigns based on predicted and observed location events | |
WO2018160895A1 (en) | System and method for characterizing mobile entities based on mobile device signals | |
Liu et al. | A cost-effective sequential route recommender system for taxi drivers | |
Shah | Big data and unsupervised machine learning approach to understand why people ride E-Scooter in Nashville, Tennessee | |
Hu | A Big-Data-Driven Framework for Spatiotemporal Travel Demand Estimation and Prediction |
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 |