CN117951548A - 车辆类别的判别方法、装置、设备及存储介质 - Google Patents
车辆类别的判别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117951548A CN117951548A CN202311815857.4A CN202311815857A CN117951548A CN 117951548 A CN117951548 A CN 117951548A CN 202311815857 A CN202311815857 A CN 202311815857A CN 117951548 A CN117951548 A CN 117951548A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- travel
- complexity
- target
- travel time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012850 discrimination method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆类别的判别方法、装置、设备及存储介质。该方法包括:获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,出行时间复杂度与目标车辆出行时长中每个时间段的出行时长相关联;将目标车辆的出行空间复杂度和出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,车辆判别模型为预先训练好的聚类模型;基于模型输出结果确定与所述目标车辆对应的车辆类别。可对车辆类别进行准确识别,提高车辆类别的识别效率和准确率。
Description
技术领域
本发明涉及车辆用途识别技术领域,尤其涉及一种车辆类别的判别方法、装置、设备及存储介质。
背景技术
汽车智能化、网联化,为实现用户出行特征研究提供了新的可能性。
通过对车辆出行大数据的挖掘,构建车辆出行特征,可以帮助整车企业深入分析车辆出行特征,为用户提供更好的服务。用户车辆类别对市场上不同车辆类别需求研究有着重要作用。
发明内容
本发明提供了一种车辆类别的判别方法、装置、设备及存储介质,以解决车辆类别识别准确率较低的问题。
根据本发明的一方面,提供了一种车辆类别的判别方法,该方法包括:
获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联;
将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型;
基于所述模型输出结果确定与所述目标车辆对应的车辆类别。
根据本发明的另一方面,提供了一种车辆类别的判别装置,该装置包括:
复杂度获取模块,用于获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联;
模型判别模块,用于将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型;
类别确定模块,用于基于所述模型输出结果确定与所述目标车辆对应的车辆类别。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的车辆类别的判别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车辆类别的判别方法。
本发明实施例的技术方案,通过获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联;建立目标车辆与出行空间复杂度和出行时间复杂度之间的对应关系;然后,将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型;基于预先训练好的聚类模型可准确基于出行空间复杂度和出行时间复杂度进行聚类分析。最后,基于所述模型输出结果确定与所述目标车辆对应的车辆类别,解决了车辆类别识别准确率较低的问题,取到了提高车辆类别的识别效率和准确率的有益效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种车辆类别的判别方法的流程图;
图2a是根据本发明实施例二提供的一种车辆类别的判别方法的流程图;
图2b是根据本发明实施例二提供的一种车辆类别的判别方法可选实例的聚类结果的样本示意图;
图3是根据本发明实施例三提供的一种车辆类别的判别装置的结构示意图;
图4是实现本发明实施例的车辆类别的判别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种车辆类别的判别方法的流程图,本实施例可适用于车辆用途识别情况,该方法可以由车辆类别的判别装置来执行,该车辆类别的判别装置可以采用硬件和/或软件的形式实现,该车辆类别的判别装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行复杂度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联。
其中,所述出行空间复杂度可以理解为车辆出行时在空间维度上的复杂度。出行时间复杂度可以理解为目标车辆出行时在时间维度上的复杂度。出行目的地频率和可以理解为目标车辆出行目的地的频率之和。其中,目标车辆可以包含多辆车辆。出行目的地频率变异系数可以基于目标车辆出行目的地的频率数据计算得到。出行目的地平均距离可以理解为目标车辆常驻地点与各出行目的地之间的地理距离的平均值。
具体的,通过确定目标车辆的多个空间复杂度基础指标,例如:出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离。获取车辆的出行时间复杂度,基于多个空间复杂度基础指标确定车辆的出行时间复杂度基础指标,例如:目标车辆出行时长中每个时间段的出行时长,基于出行时间复杂度基础指标确定车辆的出行时间复杂度。
可选的,在所述获取与目标车辆对应的出行空间复杂度和出行时间复杂度之后,还包括:对所述出行空间复杂度和出行时间复杂度进行预处理得到目标出行空间复杂度和目标出行时间复杂度,其中,所述预处理包括归一化处理。
示例性的,将出行空间复杂度定义为F1,出行时间复杂度定义为F2;对出行空间复杂度和出行时间复杂度进行归一化处理,公式如下:
i=1,2,…,m;j=1,2,…,n
其中,f′ij为归一化后的出行空间复杂度和出行时间复杂度值。m为样本出行空间复杂度和出行时间复杂度特征数量,n为目标车辆实际对应的出行空间复杂度和出行时间复杂度的特征数量。
在本实施例中,n的取值可以为2,即一个目标车辆对应的出行空间复杂度和出行时间复杂度。
S120、将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型。
具体的,将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至预先训练好的车辆类别判别模型中,基于车辆类别判别模型进行聚类分析,以得到模型输出结果。
S130、基于所述模型输出结果确定与所述目标车辆对应的车辆类别。
其中,车辆类别可以理解为车辆的用途类别。
具体的,基于模型输出结果确定目标车辆对应的用途类别。
可选的,所述模型输出结果包括与目标车辆对应车辆类别的聚类中心数据;所述基于所述模型输出结果确定与所述目标车辆对应的车辆类别,包括:获取与所述聚类中心数据对应的目标出行空间复杂度和目标出行时间复杂度;基于所述目标出行空间复杂度、所述目标出行时间复杂度、预设出行空间复杂度阈值和预设出行时间复杂度阈值确定与所述目标车辆对应的车辆类别。
具体的,基于目标出行空间复杂度和预设出行空间复杂度阈值,以及目标出行时间复杂度和预设出行时间复杂度阈值,综合确定与目标车辆对应的车辆类别。其中,预设出行空间度复杂度阈值和预设出行时间复杂度阈值可以根据经验预先设定。
可选的,所述基于所述目标出行空间复杂度、所述目标出行时间复杂度、预设出行空间复杂度阈值和预设出行时间复杂度阈值确定与所述目标车辆对应的车辆类别,包括:
若所述目标出行空间复杂度不大于预设出行空间复杂度阈值或所述目标出行时间复杂度不大于预设出行时间复杂度阈值,则确定与所述目标车辆对应的车辆类别为私家车类别;或
若所述目标出行空间复杂度大于预设出行空间复杂度阈值且所述目标出行时间复杂度大于预设出行时间复杂度阈值,则确定与所述目标车辆对应的车辆类别为运营车类别。
其中,若所述目标出行空间复杂度不大于预设出行空间复杂度阈值或所述目标出行时间复杂度不大于预设出行时间复杂度阈值,则表明车辆的目标出行空间复杂度偏低或目标出行时间复杂度偏低,例如:出行目的地数量较少或出行时间固定在某一时间段内,则将车辆类别确定为私家车类别。若所述目标出行空间复杂度大于预设出行空间复杂度阈值且所述目标出行时间复杂度大于预设出行时间复杂度阈值,则表明车辆出行空间复杂度较高且出行时间复杂度较高,例如:出行目的地较多,出行多个目的地的距离变化较大且出行时间段不稳定,则将车辆类别确定为运营车类别。
在本发明实施例中,通过基于预设出行时间复杂度阈值和预设出行空间复杂度阈值对车辆的目标出行空间复杂度和目标出行时间复杂度进行分析,可基于车辆的目标出行空间复杂度和目标出行时间复杂度对车辆用途进行准确判别。
本发明实施例的技术方案,通过获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联;建立目标车辆与出行空间复杂度和出行时间复杂度之间的对应关系;然后,将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型;基于预先训练好的聚类模型可准确基于出行空间复杂度和出行时间复杂度进行聚类分析。最后,基于所述模型输出结果确定与所述目标车辆对应的车辆类别,解决了车辆类别识别准确率较低的问题,取到了提高车辆类别的识别效率和准确率的有益效果。
实施例二
图2a为本发明实施例二提供的一种车辆类别的判别方法的流程图,本实施例是对上述实施例中的如何将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中的进一步细化。可选的,在所述将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中之前,还包括:获取预设数量的样本车辆数据,将预设数量的所述样本车辆数据划分为至少两个初始聚类中心点数据和样本点数据,其中,所述样本车辆数据为与样本车辆对应的样本出行空间复杂度和样本出行时间复杂度;将至少两个所述初始聚类中心点数据和所述样本点数据输入至预先建立的初始车辆判别模型中,以得到以各所述初始聚类中心点为中心点的样本点簇;确定各所述样本点簇中各样本点距离所述初始聚类中心点的距离并计算各所述样本点距离所述初始聚类中心点的距离平均值,基于所述距离平均值对所述初始车辆判别模型进行调整,以得到目标车辆判别模型。
如图2a所示,该方法包括:
S210、获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联。
S220、获取预设数量的样本车辆数据,将预设数量的所述样本车辆数据划分为至少两个初始聚类中心点数据和样本点数据,其中,所述样本车辆数据为与样本车辆对应的样本出行空间复杂度和样本出行时间复杂度。
具体的,通过获取预设数量的样本车辆数据,随机选择至少两个初始聚类中心点数据,将除所述初始聚类中心点之外的样本车辆数据作为样本点数据。
S230、将至少两个所述初始聚类中心点数据和所述样本点数据输入至预先建立的初始车辆判别模型中,以得到以各所述初始聚类中心点为中心点的样本点簇。
其中,点簇可以理解为多个样本点以聚类中心点为中心进行分布的簇状形状结构。
具体的,将至少两个初始聚类中心点数据和样本点数据输入至初始车辆判别模型,可以得到以至少两个所述初始聚类中心点为中心点的样本点簇。
可选的,所述将至少两个所述初始聚类中心点数据和所述样本点数据输入至预先建立的初始车辆判别模型中,以得到以各所述初始聚类中心点为中心点的样本点簇,包括:将至少两个所述初始聚类中心点数据和所述样本点数据分别映射至以所述样本出行空间复杂度为横坐标,以所述样本出行时间复杂度为纵坐标的坐标系下;基于各所述样本点在所述坐标系中距离所述初始聚类中心点的距离,划分以各个所述初始聚类中心点为中心点的样本点簇。
具体的,预先构建以样本出行空间复杂度为横坐标,以所述样本出行时间复杂度为纵坐标的坐标系。基于至少两个初始聚类点数据的样本出行空间复杂度和样本出行时间复杂度确定至少两个初始聚类点在坐标系中的位置。基于至少两个初始聚类点在坐标系中的位置,将所述样本点分别映射至坐标系中。计算每个样本点到各个聚类中心的距离,将样本点逐个分配到距离其最近的聚类中心的点簇中。以得到以各个所述初始聚类中心点为中心点的样本点簇。
S240、确定各所述样本点簇中各样本点距离所述初始聚类中心点的距离并计算各所述样本点距离所述初始聚类中心点的距离平均值,基于所述距离平均值对所述初始车辆判别模型进行调整,以得到目标车辆判别模型。
具体的,在所述划分以各个所述初始聚类中心点为中心点的样本点簇之后,针对每个样本点簇,基于每个样本点簇中每个样本点距离中心点距离的均值,更新样本点簇中聚类中心点的位置。将更新后的聚类中心点位置与初始聚类中心点进行比较,若更新后的聚类中心点相较于初始聚类中心点的位置未发生改变,则模型训练结束,得到目标车辆判别模型。若聚类中心点的位置发生变化,则将更新后的聚类中心点位置作为第二初始聚类中心,进行迭代训练,直至将更新后的聚类中心点相较于前一聚类中心点的位置未发生改变,则模型训练结束,输出聚类结果。
S250、将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型。
S260、基于所述模型输出结果确定与所述目标车辆对应的车辆类别。
可选的,所述模型输出结果还包括各个车辆类别的聚类中心数据;所述基于所述模型输出结果确定与所述目标车辆对应的车辆类别包括:在所述聚类中心包括两个及以上的情况下,基于与所述目标车辆对应的所述出行空间复杂度、所述出行时间复杂度和所述各个车辆类别的聚类中心数据确定所述坐标系下所述目标车辆的位置信息距离各所述聚类中心的距离值;将所述目标车辆的位置信息距离每个所述聚类中心的距离值进行比较,基于比较结果确定与所述目标车辆对应的车辆类别。
具体的,计算目标车辆的出行空间复杂度和出行时间复杂度聚类两个及以上的聚类中心的距离。示例性的,将目标车辆的出行空间复杂度定义为f1,将目标车辆的出行时间复杂度定义为f2。确定两个聚类中心点,私家车聚类中心点的坐标位置定位为p1(x1,y1),运营车聚类中心点的位置定义为p2(x2,y2)计算目标车辆的出行空间复杂度和出行时间复杂度聚类两个及以上的聚类中心的距离用公式表示如下:
其中,d1为目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离。f1为目标车辆的出行空间复杂度坐标。f2为标车辆的出行时间复杂度坐标。x1为私家车聚类中心点的出行空间复杂度坐标。y1为私家车聚类中心点的出行时间复杂度坐标。
其中,d2为目标车辆的出行空间复杂度和出行时间复杂度距离运营车聚类中心点的距离。f1为目标车辆的出行空间复杂度坐标。f2为标车辆的出行时间复杂度坐标。x2为运营车聚类中心点的出行空间复杂度坐标。y2为运营车聚类中心点的出行时间复杂度坐标。
具体的,基于目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离和距离运营车聚类中心点的距离,确定与所述目标车辆对应的车辆类别。示例性的,若目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离不大于目标车辆的出行空间复杂度和出行时间复杂度距离运营车聚类中心点的距离,即d1≤d2时,判定目标车辆为私家车类型。若目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离大于目标车辆的出行空间复杂度和出行时间复杂度距离运营车聚类中心点的距离,即d1>d2时,判定目标车辆为运营车类型。值得说明的是,基于目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离和距离运营车聚类中心点的距离,确定与所述目标车辆对应的车辆类别可用于车辆用途判别模型轻量化预测,基于待预测车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心的距离和距离运营车聚类中心的距离,预测与待预测车辆对应的类别。即私家车出行时空复杂度(即车辆出行时刻离散度和空间打点离散度)相对偏低,运营车的出行时空复杂度相对偏高。
本发明实施例的技术方案,通过在所述将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中之前,获取预设数量的样本车辆数据,将预设数量的所述样本车辆数据划分为至少两个初始聚类中心点数据和样本点数据,其中,所述样本车辆数据为与样本车辆对应的样本出行空间复杂度和样本出行时间复杂度;获取多个样本车辆数据进行划分,以得到初始聚类中心点数据和样本点数据。然后,将至少两个所述初始聚类中心点数据和所述样本点数据输入至预先建立的初始车辆判别模型中,以得到以各所述初始聚类中心点为中心点的样本点簇;以得到初始的样本点簇。确定各所述样本点簇中各样本点距离所述初始聚类中心点的距离并计算各所述样本点距离所述初始聚类中心点的距离平均值,基于所述距离平均值对所述初始车辆判别模型进行调整,以得到目标车辆判别模型。可得到精准度高的目标车辆判别模型,解决了车辆类别识别准确率较低的问题,取到了提高车辆类别的识别效率和准确率的有益效果。
作为本发明实施例一可选实例,本实施例的车辆类别的判别方法具体包括以下步骤:
步骤一、出行空间复杂度、时间复杂度特征归一化
对出行空间复杂度和出行时间复杂度进行归一化处理,公式如下:
i=1,2,…,m;j=1,2,…,n
其中,f′ij为归一化后的出行空间复杂度和出行时间复杂度值。m为样本出行空间复杂度和出行时间复杂度特征数量,n为目标车辆实际对应的出行空间复杂度和出行时间复杂度的特征数量。
在本实施例中,n的取值可以为2,即一个目标车辆对应的出行空间复杂度和出行时间复杂度。
步骤二、车辆判别模型训练
步骤1、获取预设数量的样本车辆数据,将预设数量的所述样本车辆数据划分为至少两个初始聚类中心点数据和样本点数据,其中,所述样本车辆数据为与样本车辆对应的样本出行空间复杂度和样本出行时间复杂度;
步骤2、分别计算每个样本点到各个聚类中心的距离,基于每个样本点到各个初始聚类中心点的距离,将每个样本点逐个分配到距离其最近的样本点簇中;
步骤3、针对每个样本点簇,基于每个样本点簇中每个样本点距离中心点距离的均值,更新样本点簇中聚类中心点的位置;
步骤4、与前一次计算得到的聚类中心点位置进行比较,若聚类中心点位置发生变化,跳转至步骤2,否则执行步骤5;
步骤5、当每个样本点簇内的聚类中心点不再发生变化时,结束模型训练并输出聚类结果。
步骤三、车辆类别确定
选取空间复杂度和时间复杂度都偏低的类作为私家车类,反之,则为运营车类。
示例性的,将目标车辆的出行空间复杂度定义为f1,将目标车辆的出行时间复杂度定义为f2。确定两个聚类中心点,私家车聚类中心点的坐标位置定位为p1(x1,y1),运营车聚类中心点的位置定义为p2(x2,y2)计算目标车辆的出行空间复杂度和出行时间复杂度聚类两个及以上的聚类中心的距离用公式表示如下:
其中,d1为目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离。f1为目标车辆的出行空间复杂度坐标。f2为标车辆的出行时间复杂度坐标。x1为私家车聚类中心点的出行空间复杂度坐标。y1为私家车聚类中心点的出行时间复杂度坐标。
其中,d2为目标车辆的出行空间复杂度和出行时间复杂度距离运营车聚类中心点的距离。f1为目标车辆的出行空间复杂度坐标。f2为标车辆的出行时间复杂度坐标。x2为运营车聚类中心点的出行空间复杂度坐标。y2为运营车聚类中心点的出行时间复杂度坐标。
具体的,基于目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离和距离运营车聚类中心点的距离,确定与所述目标车辆对应的车辆类别。示例性的,若目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离不大于目标车辆的出行空间复杂度和出行时间复杂度距离运营车聚类中心点的距离,即d1≤d2时,判定目标车辆为私家车类型。若目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离大于目标车辆的出行空间复杂度和出行时间复杂度距离运营车聚类中心点的距离,即d1>d2时,判定目标车辆为运营车类型。值得说明的是,基于目标车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心点的距离和距离运营车聚类中心点的距离,确定与所述目标车辆对应的车辆类别可用于车辆用途判别模型轻量化预测,基于待预测车辆的出行空间复杂度和出行时间复杂度距离私家车聚类中心的距离和距离运营车聚类中心的距离,预测与待预测车辆对应的类别。即私家车出行时空复杂度(即车辆出行时刻离散度和空间打点离散度)相对偏低,运营车的出行时空复杂度相对偏高。图2b是根据本发明实施例二提供的一种车辆类别的判别方法可选实例的聚类结果的样本示意图;如图2b所示,私家车时空复杂度(即车辆出行时刻离散度和空间打点离散度)相对偏低,运营车的时空复杂度相对偏高。
本发明实施例的技术方案,通过基于时间、空间复杂度特征的判别方法,充分考虑用户出行时间上,以及空间上的离散特征;采用了无监督聚类模型,相对有监督模型,降低了数据准备的成本,采用距离判别的方法,实现模型轻量化预测部署,降低工程化成本和提升预测效率。
实施例三
图3为本发明实施例三提供的一种车辆类别的判别装置的结构示意图。如图3所示,该装置包括:复杂度获取模块310、模型判别模块320和类别确定模块330。
其中,复杂度获取模块310,用于获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联;模型判别模块320,用于将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型;类别确定模块330,用于基于所述模型输出结果确定与所述目标车辆对应的车辆类别。
本发明实施例的技术方案,通过复杂度获取模块,获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联;建立目标车辆与出行空间复杂度和出行时间复杂度之间的对应关系;然后,通过模型判别模块,将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型;基于预先训练好的聚类模型可准确基于出行空间复杂度和出行时间复杂度进行聚类分析。最后,通过类别确定模块,基于所述模型输出结果确定与所述目标车辆对应的车辆类别,解决了车辆类别识别准确率较低的问题,取到了提高车辆类别的识别效率和准确率的有益效果。
可选的,所述装置还包括:样本数据获取模块、样本点簇获取模块和目标车辆判别模型确定模块。
其中,所述样本数据获取模块,用于在所述将目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中之前,获取预设数量的样本车辆数据,将预设数量的所述样本车辆数据划分为至少两个初始聚类中心点数据和样本点数据,其中,所述样本车辆数据为与样本车辆对应的样本出行空间复杂度和样本出行时间复杂度;
所述样本点簇获取模块,用于将至少两个所述初始聚类中心点数据和所述样本点数据输入至预先建立的初始车辆判别模型中,以得到以各所述初始聚类中心点为中心点的样本点簇;
目标车辆判别模型确定模块,用于确定各所述样本点簇中各样本点距离所述初始聚类中心点的距离并计算各所述样本点距离所述初始聚类中心点的距离平均值,基于所述距离平均值对所述初始车辆判别模型进行调整,以得到目标车辆判别模型。
可选的,所述样本点簇获取模块,包括:
点数据映射单元,用于将至少两个所述初始聚类中心点数据和所述样本点数据分别映射至以所述样本出行空间复杂度为横坐标,以所述样本出行时间复杂度为纵坐标的坐标系下;
样本点簇划分单元,用于基于各所述样本点在所述坐标系中距离所述初始聚类中心点的距离,划分以各个所述初始聚类中心点为中心点的样本点簇。
可选的,所述模型输出结果包括与目标车辆对应车辆类别的聚类中心数据;相应地,所述类别确定模块,包括:
目标复杂度获取单元,用于获取与所述聚类中心数据对应的目标出行空间复杂度和目标出行时间复杂度;
第一车辆类别确定单元,用于基于所述目标出行空间复杂度、所述目标出行时间复杂度、预设出行空间复杂度阈值和预设出行时间复杂度阈值确定与所述目标车辆对应的车辆类别。
可选的,所述车辆类别确定单元,包括:
第一类别确定单元,用于若所述目标出行空间复杂度不大于预设出行空间复杂度阈值或所述目标出行时间复杂度不大于预设出行时间复杂度阈值,则确定与所述目标车辆对应的车辆类别为私家车类别;或
第二类别确定单元,用于若所述目标出行空间复杂度大于预设出行空间复杂度阈值且所述目标出行时间复杂度大于预设出行时间复杂度阈值,则确定与所述目标车辆对应的车辆类别为运营车类别。
可选的,所述模型输出结果还包括各个车辆类别的聚类中心数据;相应地,所述类别确定模块,包括:
距离值确定单元,用于在所述聚类中心包括两个及以上的情况下,基于与所述目标车辆对应的所述出行空间复杂度、所述出行时间复杂度和所述各个车辆类别的聚类中心数据确定所述坐标系下所述目标车辆的位置信息距离各所述聚类中心的距离值;
第二车辆类别确定单元,将所述目标车辆的位置信息距离每个所述聚类中心的距离值进行比较,基于比较结果确定与所述目标车辆对应的车辆类别。
所述装置还包括归一化模块。
所述归一化模块,用于在所述获取与目标车辆对应的出行空间复杂度和出行时间复杂度之后,对所述出行空间复杂度和出行时间复杂度进行预处理得到目标出行空间复杂度和目标出行时间复杂度,其中,所述预处理包括归一化处理。
本发明实施例所提供的车辆类别的判别装置可执行本发明任意实施例所提供的车辆类别的判别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如方法车辆类别的判别。
在一些实施例中,方法车辆类别的判别可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的方法车辆类别的判别的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法车辆类别的判别。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆类别的判别方法,其特征在于,包括:
获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联;
将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型;
基于所述模型输出结果确定与所述目标车辆对应的车辆类别。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中之前,还包括:
获取预设数量的样本车辆数据,将预设数量的所述样本车辆数据划分为至少两个初始聚类中心点数据和样本点数据,其中,所述样本车辆数据为与样本车辆对应的样本出行空间复杂度和样本出行时间复杂度;
将至少两个所述初始聚类中心点数据和所述样本点数据输入至预先建立的初始车辆判别模型中,以得到以各所述初始聚类中心点为中心点的样本点簇;
确定各所述样本点簇中各样本点距离所述初始聚类中心点的距离并计算各所述样本点距离所述初始聚类中心点的距离平均值,基于所述距离平均值对所述初始车辆判别模型进行调整,以得到目标车辆判别模型。
3.根据权利要求2所述的方法,其特征在于,所述将至少两个所述初始聚类中心点数据和所述样本点数据输入至预先建立的初始车辆判别模型中,以得到以各所述初始聚类中心点为中心点的样本点簇,包括:
将至少两个所述初始聚类中心点数据和所述样本点数据分别映射至以所述样本出行空间复杂度为横坐标,以所述样本出行时间复杂度为纵坐标的坐标系下;
基于各所述样本点在所述坐标系中距离所述初始聚类中心点的距离,划分以各个所述初始聚类中心点为中心点的样本点簇。
4.根据权利要求1所述的方法,其特征在于,所述模型输出结果包括与目标车辆对应车辆类别的聚类中心数据;所述基于所述模型输出结果确定与所述目标车辆对应的车辆类别,包括:
获取与所述聚类中心数据对应的目标出行空间复杂度和目标出行时间复杂度;
基于所述目标出行空间复杂度、所述目标出行时间复杂度、预设出行空间复杂度阈值和预设出行时间复杂度阈值确定与所述目标车辆对应的车辆类别。
5.根据权利要求4所述的方法,其特征在于,所述基于所述目标出行空间复杂度、所述目标出行时间复杂度、预设出行空间复杂度阈值和预设出行时间复杂度阈值确定与所述目标车辆对应的车辆类别,包括:
若所述目标出行空间复杂度不大于预设出行空间复杂度阈值或所述目标出行时间复杂度不大于预设出行时间复杂度阈值,则确定与所述目标车辆对应的车辆类别为私家车类别;或
若所述目标出行空间复杂度大于预设出行空间复杂度阈值且所述目标出行时间复杂度大于预设出行时间复杂度阈值,则确定与所述目标车辆对应的车辆类别为运营车类别。
6.根据权利要求3所述的方法,其特征在于,所述模型输出结果还包括各个车辆类别的聚类中心数据;所述基于所述模型输出结果确定与所述目标车辆对应的车辆类别包括:
在所述聚类中心包括两个及以上的情况下,基于与所述目标车辆对应的所述出行空间复杂度、所述出行时间复杂度和所述各个车辆类别的聚类中心数据确定所述坐标系下所述目标车辆的位置信息距离各所述聚类中心的距离值;
将所述目标车辆的位置信息距离每个所述聚类中心的距离值进行比较,基于比较结果确定与所述目标车辆对应的车辆类别。
7.根据权利要求1所述的方法,其特征在于,在所述获取与目标车辆对应的出行空间复杂度和出行时间复杂度之后,还包括:
对所述出行空间复杂度和出行时间复杂度进行预处理得到目标出行空间复杂度和目标出行时间复杂度,其中,所述预处理包括归一化处理。
8.一种车辆类别的判别装置,其特征在于,包括:
复杂度获取模块,用于获取与目标车辆对应的出行空间复杂度和出行时间复杂度,其中,所述空间出行度与所述目标车辆的出行目的地数量、出行目的地频率和、出行目的地频率变异系数以及出行目的地平均距离中的至少一项相关联,所述出行时间复杂度与所述目标车辆出行时长中每个时间段的出行时长相关联;
模型判别模块,用于将所述目标车辆的所述出行空间复杂度和所述出行时间复杂度输入至车辆类别判别模型中,得到模型输出结果,其中,所述车辆判别模型为预先训练好的聚类模型;
类别确定模块,用于基于所述模型输出结果确定与所述目标车辆对应的车辆类别。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的车辆类别的判别方法。
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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车辆类别的判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815857.4A CN117951548A (zh) | 2023-12-26 | 2023-12-26 | 车辆类别的判别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815857.4A CN117951548A (zh) | 2023-12-26 | 2023-12-26 | 车辆类别的判别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117951548A true CN117951548A (zh) | 2024-04-30 |
Family
ID=90793787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311815857.4A Pending CN117951548A (zh) | 2023-12-26 | 2023-12-26 | 车辆类别的判别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951548A (zh) |
-
2023
- 2023-12-26 CN CN202311815857.4A patent/CN117951548A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560996B (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
CN109685092B (zh) | 基于大数据的聚类方法、设备、存储介质及装置 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN108805174A (zh) | 聚类方法及装置 | |
CN113947693A (zh) | 获取目标对象识别模型的方法、装置及电子设备 | |
CN115632874A (zh) | 一种实体对象的威胁检测方法、装置、设备及存储介质 | |
CN113111139A (zh) | 一种基于物联传感器的告警检测方法和装置 | |
CN114866437B (zh) | 一种节点检测方法、装置、设备及介质 | |
CN117951548A (zh) | 车辆类别的判别方法、装置、设备及存储介质 | |
CN116299291A (zh) | 一种雷达目标的识别方法、装置、设备及存储介质 | |
CN116017401A (zh) | 一种驻留点确定方法、装置、电子设备及存储介质 | |
CN113612777B (zh) | 训练方法、流量分级方法、装置、电子设备以及存储介质 | |
CN111046894A (zh) | 识别马甲账号的方法和装置 | |
CN116561667A (zh) | 一种用户分类方法、装置、电子设备及存储介质 | |
CN114724090B (zh) | 行人再识别模型的训练方法、行人再识别方法及装置 | |
CN117194591B (zh) | 一种球体轨迹到平面地图的显示方法、装置、设备和介质 | |
CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN114840721B (zh) | 一种数据搜索方法、装置及电子设备 | |
CN118152821A (zh) | 一种工单数据处理方法、装置、设备及介质 | |
CN117455577A (zh) | 目标产品的推荐方法、装置、设备和介质 | |
CN116597209A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
CN116610453A (zh) | 一种任务分配方法、装置、电子设备及存储介质 | |
CN116502841A (zh) | 一种事件的处理方法、装置、电子设备以及介质 | |
CN116580218A (zh) | 一种控制方法、装置、设备及存储介质 | |
CN117611324A (zh) | 信用评级方法、装置、电子设备和存储介质 |
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 |