CN116451103B - 一种基于标签的态势要素推荐方法 - Google Patents
一种基于标签的态势要素推荐方法 Download PDFInfo
- Publication number
- CN116451103B CN116451103B CN202310696888.6A CN202310696888A CN116451103B CN 116451103 B CN116451103 B CN 116451103B CN 202310696888 A CN202310696888 A CN 202310696888A CN 116451103 B CN116451103 B CN 116451103B
- Authority
- CN
- China
- Prior art keywords
- situation
- user
- elements
- label
- situation element
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 4
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract description 2
- 230000001960 triggered effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于标签的态势要素推荐方法,步骤如下:构建标签体系,对形式多样的态势要素进行表征描述。在系统准备阶段,基于采集的用户情境数据,对情境进行聚类;在系统使用阶段,实时采集用户情境数据,识别当前情境,并适时触发系统从用户操作和反馈中捕获用户需求状态,采用余弦相似算法进行用户需求状态与候选态势要素的匹配,并查找相似用户关注的态势要素,综合推荐出匹配度较高的态势要素。利用本方法,系统可以自动识别情境,秒级推荐用户关注态势要素,辅助用户高效认知交通态势。本发明能够自动识别用户情境,并快速捕捉用户需求,秒级推荐用户关注态势,且伴随用户使用全过程,推荐精准度得以有效提升。
Description
技术领域
本发明涉及交通指挥技术,特别是一种基于标签的态势要素推荐方法。
背景技术
当前,推荐技术在业界广泛用于音乐、视频、广告、购物等场景,通过一定的算法在海量数据中过滤用户不感兴趣的对象,而在面向交通指挥的态势系统中,推荐的“对象”、“情境”、“用户”均不一样。
在推荐的“对象”方面,传统推荐的对象是音乐、视频、广告、产品中的某一类,同一系统的推荐对象类型相对单一、固定,交通指挥态势要素推荐的对象包括结构化、半结构化和非结构化要素,对这些形式多样的对象进行统一处理难度较大;在推荐的“情境”方面,传统推荐的情境一般主要考虑移动场景下,电子设备状态、地理位置、活动状态等,数据获取方式多样化,但场景变化范围有限,交通指挥态势推荐的情境与指挥需求紧密结合,交通场景复杂性导致态势推荐的情境难以捉摸;在推荐的“用户”方面,传统推荐的用户量庞大,用户信息和用户类型丰富,对用户的个性化建模非常关键,同时,用户性别、收入等人口统计学特征对推荐效果影响很大,交通指挥态势推荐的用户体量相对较小,用户职业、岗位都被限定在一定范围内,用户经验差异造成的态势需求差异不可忽视,但态势用户性别、收入等人口统计学特征对推荐效果影响较小,或可忽略不计。
在信息复杂多变的交通指挥态势系统中,如何帮助用户快速获取关键信息是赢得处置时间的基础。
发明内容
发明目的:本发明的目的是提供一种基于标签的态势要素推荐方法,从而实现态势要素的精准推荐。
技术方案:本发明所述的一种基于标签的态势要素推荐方法,其原理为:构建标签体系,对形式多样的态势要素进行表征描述。在系统准备阶段,基于采集的用户情境数据,对情境进行聚类;在系统使用阶段,实时采集用户情境数据,识别当前情境,并适时触发系统从用户操作和反馈中捕获用户需求状态,采用余弦相似算法进行用户需求状态与候选态势要素的匹配,并查找相似用户关注的态势要素,综合推荐出匹配度较高的态势要素。利用本方法,系统可以自动识别情境,秒级推荐用户关注态势要素,辅助用户高效认知交通态势。
一种基于标签的态势要素推荐方法包括以下步骤:
步骤1、构建交通指挥态势要素标签体系,态势要素标签是对态势要素的标记,一个标签能够用于标记多个态势要素,一个态势要素需要用多个标签进行描述,基于态势要素标签体系,态势要素能够转化为标签向量s,向量的每一个维度对应一个标签;所述交通指挥态势要素标签体系包含态势要素的关键特征,所述关键特征包括路径基础、执法人员、气象环境;
步骤1中所述的态势要素包括结构化、半结构化以及非结构化的信息,所述信息包括人员配备情况、动向信息。标签体系涉及的标签类型包括指挥对象、空间,指挥对象类标签如交警、辅警,空间类标签如XX路口、XX涵洞。
步骤2、情境感知与识别:从系统层面获取城市交通指挥情境,将其转化为支撑态势要素需求的信息,用户登录城市交通指挥系统后,情境感知模块即开始工作,系统实时监控指挥任务及交通变化,采用朴素贝叶斯算法识别情境特征。
所述步骤2具体为:
步骤2.1、基于k-均值(k-means)的情境聚类。
给定情境样本集,得到的k个簇划分记为,k-means聚类用平方误差/>衡量簇内样本的紧密程度,计算公式如下:
其中,是簇y i 的均值向量;k-means聚类的目标是迭代所有可能的簇划分,E越小则簇内情境相似度越高,聚类效果越好,E取最小值对应的簇划分即为最终聚类结果。
步骤2.2、基于朴素贝叶斯(Naive Bayes Classifiers,NB)的情境分类。
基于训练集估计各类情境的先验概率,并计算每个特征的条件概率,在新的情境出现时,选出最有可能的类型;情境聚类最终得到的簇划分记为,情境识别依赖的q个特征变量记为a 1 ,a 2 ,…,a q ,朴素贝叶斯情境分类器定义如下:
其中,为k个分类的先验概率,/>为第z个属性的条件概率。
步骤3、态势要素需求获取:从用户的系统反馈和操作记录中提取用户在不同情境下的需求状态。
所述步骤3具体为:
假设情境识别模块将所有的情境划分为k类,那么,用户u在某类情境下的需求向量为:
其中,D为用户u在t类情境下操作过的态势要素集合,所述操作包括查看、收藏、关闭、查找;s j 为第j个态势要素向量;w j 为操作类型对应的权重,由人工设定;最终,r中标签的权值即为用户对该标签的需求度。
步骤4、态势要素需求匹配:根据用户及相似用户对态势要素的需求,从候选态势要素库中筛选出用户需要的态势要素。
所述步骤4具体为:
步骤4.1、根据用户需求向量r与态势要素向量,基于余弦相似度计算
在情境变化触发用户需求变化后,对用户需求与态势要素相似度进行排序,截取topK态势要素推荐给用户。
步骤4.2、基于相似用户有相似需求的原理,为用户推荐相似用户需求的态势要素;首先,根据用户特征构建用户向量,然后,根据余弦相似度计算用户u与其它用户u b 的相似度:
根据用户u b 对态势要素标签向量s的需求评分,计算用户u对该态势要素s的需求度:
对用户态势要素需求度进行排序后,取topN态势要素作为补充推荐。
一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的一种基于标签的态势要素推荐方法。
一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种基于标签的态势要素推荐方法。
有益效果:与现有技术相比,本发明具有如下优点:
1、本发明通过标签的形式,能够快速构建统一的态势要素体系,高效组织结构化、半结构化和非结构化的态势要素,为精准的态势要素推荐奠定基础。
2、本发明结合城市交通情况多变的特点,对情境进行识别,能有效保证态势要素推荐的精准度和精细程度。
3、本发明将“相似情境有相似需求”和“相似用户有相似需求”多种策略结合,能有效提高推荐的多样性。
附图说明
图1为本发明所述方法的原理图;
图2为态势要素标签图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,一种基于标签的态势要素推荐方法,步骤如下:
步骤1、构建态势要素标签体系
态势要素以结构化、半结构化以及非结构化的形式存在,总体分为路网基础态势要素、执法人员态势要素、机动车态势要素、非机动车态势要素、气象环境态势要素、装备资源态势要素等类型。态势要素标签是对态势要素的标记,一个标签可用于标记多个态势要素,一个态势要素往往需要用多个标签进行描述。标签体系涉及的标签类型包括指挥对象、空间等类型,指挥对象类标签如交警、辅警等,空间类标签如XX路口、XX涵洞等。标签体系如图2所示。
基于态势要素标签体系,态势要素可以转化为标签向量,向量的每一个维度对应一个标签,态势要素向量能够描述为
其中,代表标签维度。
步骤2、情境感知与识别
该步骤包括情境聚类和情境分类两个阶段,情境聚类是在系统准备阶段,对采集的情境进行分析和聚类;情境分类亦即情境识别,在使用时,系统自动获取态势用户的情境信息,并基于朴素贝叶斯分类器进行情境分类,识别出当前的情境。
阶段一:基于k-均值(k-means)的情境聚类。
给定情境样本集,得到的k个簇划分记为,k-means聚类用平方误差E衡量簇内样本的紧密程度,计算公式如下
其中,是簇/>的均值向量。k-means聚类的目标是迭代所有可能的簇划分,E越小则簇内情境相似度越高,聚类效果越好,E取最小值对应的簇划分即为最终聚类结果。
阶段二:基于朴素贝叶斯(Naive Bayes Classifiers,NB)的情境分类。
首先,基于训练集估计各类情境的先验概率,并计算每个情境特征(包括指挥任务类型、关键事件类型等)的条件概率,在新的情境出现时,选出最有可能的类型。情境聚类最终得到的簇划分记为,情境识别依赖的q个特征变量记为a 1 ,a 2 ,…,a q ,那么朴素贝叶斯情境分类器定义如下
其中,为k个分类的先验概率,/>为第z个属性的条件概率。
步骤3、态势需求获取
假设情境识别模块将所有的情境划分为k类,那么,用户u在某类情境下的需求向量为:
其中,D为用户u在t类情境下操作(包括查看、收藏、关闭、查找操作)过的态势要素集合,s j 为第j个态势要素向量,w j 为操作类型对应的权重,查看、收藏、关闭、查找操作权重分别设定为1、2、-1、1。最终,r中标签的权值即为用户对该标签的需求度。
步骤4、态势要素需求匹配
一方面,基于同一用户“相似情境有相似需求”的原理,根据用户需求向量与态势要素向量,基于余弦相似度计算用户需求向量r与各候选态势要素的相似度
在情境变化触发用户需求变化后,对用户需求与态势要素相似度进行排序,即可截取topK态势要素推荐给用户。
另一方面,基于“相似用户有相似需求”的原理,为用户推荐相似用户需求的态势要素。首先,根据用户特征(包括用户岗位类型、职级、业务类型等特征)构建用户向量,然后,根据余弦相似度计算用户u与其它用户u i 的相似度
根据用户u b 对态势要素标签向量s的需求评分,即可计算用户u对该态势要素的需求度
对用户态势要素需求度进行排序后,可取topN态势要素作为补充推荐。
为验证本发明的可行性,在情境感知的驱动下,依次完成态势要素需求获取、态势要素需求匹配等过程后,适时推送各类态势要素,形成聚焦态势图,根据用户操作对推荐算法进行评估,分别取一周内用户产生的21万条有效原始样本数据进行分析,样本覆盖近百类交通情境,采用余弦相似度进行匹配计算,取topK项要素形成推荐列表,当推荐列表长度K分别取10、20时,得到表1所示实验结果,可见,K=10的模型总体效果更佳。
表1 基于标签的态势要素推荐方法实验结果
K取值 | 对数损失 | 准确度 | F1 分数 |
10 | 0.37 | 0.75 | 0.72 |
20 | 0.35 | 0.70 | 0.71 |
Claims (7)
1.一种基于标签的态势要素推荐方法,其特征在于,包括以下步骤:
步骤1、构建交通指挥态势要素标签体系,态势要素标签是对态势要素的标记,一个标签能够用于标记多个态势要素,一个态势要素需要用多个标签进行描述,基于态势要素标签体系,态势要素能够转化为标签向量s,向量的每一个维度对应一个标签;所述交通指挥态势要素标签体系包含态势要素的关键特征,所述关键特征包括路径基础、执法人员、气象环境;
步骤2、情境感知与识别:从系统层面获取城市交通指挥情境,将其转化为支撑态势要素需求的信息,用户登录城市交通指挥系统后,情境感知模块即开始工作,系统实时监控指挥任务及交通变化,采用朴素贝叶斯算法识别情境特征;
步骤3、态势要素需求获取:从用户的系统反馈和操作记录中提取用户在不同情境下的需求状态;
步骤4、态势要素需求匹配:根据用户及相似用户对态势要素的需求,从候选态势要素库中筛选出用户需要的态势要素。
2.根据权利要求1所述的一种基于标签的态势要素推荐方法,其特征在于,步骤1中所述的态势要素包括结构化、半结构化以及非结构化的信息,所述信息包括人员配备情况、动向信息。
3.根据权利要求1所述的一种基于标签的态势要素推荐方法,其特征在于,所述步骤2具体为:
步骤2.1、基于k-均值的情境聚类;
给定情境样本集,得到的k个簇划分记为,k-means聚类用平方误差/>衡量簇内样本的紧密程度,计算公式如下:/>;
其中,是簇y i 的均值向量;k -means聚类的目标是迭代所有可能的簇划分,E越小则簇内情境相似度越高,聚类效果越好,E取最小值对应的簇划分即为最终聚类结果;
步骤2.2、基于朴素贝叶斯的情境分类;
基于训练集估计各类情境的先验概率,并计算每个特征的条件概率,在新的情境出现时,选出最有可能的类型;情境聚类最终得到的簇划分记为,情境识别依赖的q个特征变量记为a 1 ,a 2 ,…,a q ,朴素贝叶斯情境分类器定义如下:
;
其中,为k个分类的先验概率,/>为第z个属性的条件概率。
4.根据权利要求1所述的一种基于标签的态势要素推荐方法,其特征在于,所述步骤3具体为:
假设情境识别模块将所有的情境划分为k类,那么,用户u在某类情境下的需求向量为:
;
其中,D为用户u在t类情境下操作过的态势要素集合,所述操作包括查看、收藏、关闭、查找;s j 为第j个态势要素标签向量;w j 为操作类型对应的权重,由人工设定;最终,r中标签的权值即为用户对该标签的需求度。
5.根据权利要求1所述的一种基于标签的态势要素推荐方法,其特征在于,所述步骤4具体为:
步骤4.1、根据用户需求向量r与态势要素标签向量,基于余弦相似度计算
;
在情境变化触发用户需求变化后,对用户需求与态势要素相似度进行排序,截取topK态势要素推荐给用户;
步骤4.2、基于相似用户有相似需求的原理,为用户推荐相似用户需求的态势要素;首先,根据用户特征构建用户向量,然后,根据余弦相似度计算用户u与其它用户u b 的相似度:
;
根据用户u b 对态势要素标签向量s的需求评分,计算用户u对该态势要素的需求度
;
对用户态势要素需求度进行排序后,取topN态势要素作为补充推荐。
6.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于标签的态势要素推荐方法。
7.一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的一种基于标签的态势要素推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696888.6A CN116451103B (zh) | 2023-06-13 | 2023-06-13 | 一种基于标签的态势要素推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696888.6A CN116451103B (zh) | 2023-06-13 | 2023-06-13 | 一种基于标签的态势要素推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451103A CN116451103A (zh) | 2023-07-18 |
CN116451103B true CN116451103B (zh) | 2023-09-22 |
Family
ID=87125940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310696888.6A Active CN116451103B (zh) | 2023-06-13 | 2023-06-13 | 一种基于标签的态势要素推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451103B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107404400A (zh) * | 2017-07-20 | 2017-11-28 | 中国电子科技集团公司第二十九研究所 | 一种网络态势感知实现方法及装置 |
CN111930824A (zh) * | 2020-01-03 | 2020-11-13 | 中国电子科技集团公司第二十八研究所 | 一种基于推荐模型的数据综合态势展现方法 |
CN115840840A (zh) * | 2023-02-20 | 2023-03-24 | 中国电子科技集团公司第二十八研究所 | 一种学习关注重点的情境感知预案优选排序方法 |
CN115967565A (zh) * | 2022-12-23 | 2023-04-14 | 北京庚图科技有限公司 | 一种战场态势感知方法、系统、终端设备及存储介质 |
-
2023
- 2023-06-13 CN CN202310696888.6A patent/CN116451103B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107404400A (zh) * | 2017-07-20 | 2017-11-28 | 中国电子科技集团公司第二十九研究所 | 一种网络态势感知实现方法及装置 |
CN111930824A (zh) * | 2020-01-03 | 2020-11-13 | 中国电子科技集团公司第二十八研究所 | 一种基于推荐模型的数据综合态势展现方法 |
CN115967565A (zh) * | 2022-12-23 | 2023-04-14 | 北京庚图科技有限公司 | 一种战场态势感知方法、系统、终端设备及存储介质 |
CN115840840A (zh) * | 2023-02-20 | 2023-03-24 | 中国电子科技集团公司第二十八研究所 | 一种学习关注重点的情境感知预案优选排序方法 |
Non-Patent Citations (1)
Title |
---|
基于深度堆栈编码器和反向传播算法的网络安全态势要素识别;寇广 等;《电子与信息学报》;第41卷(第9期);第2187-2193页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116451103A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Etemad et al. | Predicting transportation modes of gps trajectories using feature engineering and noise removal | |
Tian et al. | Multimodal deep representation learning for video classification | |
Wu et al. | AdaHGNN: Adaptive hypergraph neural networks for multi-label image classification | |
CN1842867B (zh) | 使用模糊一级支持向量机的自动视频摘要装置和方法 | |
CN110738247B (zh) | 一种基于选择性稀疏采样的细粒度图像分类方法 | |
US20100211551A1 (en) | Method, system, and computer readable recording medium for filtering obscene contents | |
CN109871464B (zh) | 一种基于ucl语义标引的视频推荐方法与装置 | |
CN101894276A (zh) | 人体动作识别的训练方法和识别方法 | |
CN112258254B (zh) | 基于大数据架构的互联网广告风险监测方法及系统 | |
Yahia et al. | A new approach for evaluation of data mining techniques | |
CN102663447A (zh) | 基于判别相关分析的跨媒体检索方法 | |
CN111522901A (zh) | 文本中地址信息的处理方法及装置 | |
CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
Berger et al. | ZEBRA: Z-order Curve-based Event Retrieval Approach to Efficiently Explore Automotive Data | |
CN116451103B (zh) | 一种基于标签的态势要素推荐方法 | |
Zhang et al. | Bayesian classification | |
Yang et al. | IF-MCA: Importance factor-based multiple correspondence analysis for multimedia data analytics | |
Hubig et al. | Detection and prediction of natural hazards using large-scale environmental data | |
CN112685618A (zh) | 用户特征识别方法、装置、计算设备及计算机存储介质 | |
Aydın | Classification of the fire station requirement with using machine learning algorithms | |
Müller-Budack et al. | Finding person relations in image data of news collections in the internet archive | |
Yang et al. | Mobility pattern identification based on mobile phone data | |
CN115062725A (zh) | 酒店收益异常分析方法及系统 | |
Vrochidis et al. | Video popularity prediction through fusing early viewership with video content | |
Zhang et al. | A novel target tracking method based on OSELM |
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 |