CN105447185A - 基于知识与位置的个性化旅游景点推荐方法 - Google Patents
基于知识与位置的个性化旅游景点推荐方法 Download PDFInfo
- Publication number
- CN105447185A CN105447185A CN201510938942.9A CN201510938942A CN105447185A CN 105447185 A CN105447185 A CN 105447185A CN 201510938942 A CN201510938942 A CN 201510938942A CN 105447185 A CN105447185 A CN 105447185A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- sight spot
- user
- alternative
- computing system
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于位置与知识的个性化旅游景点推荐方法,主要解决单一基于知识推荐浪费通信带宽资源的不足。其实现步骤为:1.建立一个由用户、辅助定位设施、推荐计算***构成的完整推荐***;2.对此推荐计算***进行初始化;3.用户在其当前位置向此推荐计算***发送推荐请求;4.推荐计算***位置处理模块响应来自用户的请求;5.推荐计算***对备选景点执行查询支配算法;6.推荐计算***最终输出推荐的旅游景点集合。本发明通过利用数据库中的支配查询算法,全面比较备选景点的推荐价值,减少了用户与推荐***之间的通信量,并结合用户的历史偏好,保证了满足个性化的推荐结果的有效性和可靠性,可应用于旅游景点或路线推荐领域。
Description
技术领域:
本发明属于无线网络技术领域,涉及推荐技术,可应用于旅游景点或路线推荐领域。
背景技术:
近年来随着配备GPS定位模块的移动设备数量高速增长和社交网络的发展,基于位置的社交网络应运而生。其中比较受欢迎的基于位置的社交网站有Foursqure、Facebook、Flickers,用户可以通过这些网站分享他们的各种经历和心情。利用基于位置服务的移动社交网络,用户可以更加准确、高效地同周围的人或物建立起自己的社交网络圈,从而更好地融入周围环境。同时,随着人们生活物质水平的提高,旅游也变得越来越受欢迎,在社会上也得到越来越多的关注。当来到一个陌生的城市时,如何享受高质量的旅行是人们普遍考虑的问题。基于位置的个性化景点推荐可以很好的解决这一问题,它在满足不同用户的需求的同时提供合理准确的景点推荐。
在传统的个性化推荐***中,主要的推荐方法有四种:基于内容的推荐,基于协同过滤的推荐和基于知识的推荐及基于社会媒体的推荐。
基于内容的推荐,是根据用户选择的旅游产品,向用户推荐与该旅游产品属性相似的其他旅游产品.
基于协同过滤的推荐,主要是根据用户对旅游产品的偏好,将与该用户偏好相似的其他用户选择的旅游景点推荐给该用户。
基于知识的推荐,在某种程度上可看成是一种推理技术,它通过对旅游领域的知识制定规则来进行基于约束的推荐和基于实例的推荐。
基于社会媒体的推荐,主要是利用集体智慧,将社会媒体中用户间的社会关系或其他社会媒体数据用于旅游推荐中。
上述这些推荐方法大部分是在社交网络中实现的。其中,单一的基于知识推荐需要获取大量的用户需求与偏好数据,所以推荐***要频繁与用户进行通信,造成通信带宽资源浪费。
发明内容
本发明的目的在于针对单一基于知识推荐的不足,充分挖掘社交网络中签到数据的隐含信息,提出一种基于知识与位置的个性化旅游景点推荐方法,通过利用数据库中的支配查询算法,全面比较备选景点的推荐价值,以减少推荐***与用户之间的通信带宽资源浪费,保证推荐结果的有效性和可靠性。
为实现上述目的,本发明包括如下步骤:
(1)建立一个由用户、辅助定位设施、推荐计算***构成的推荐***框架,其中:
用户,通过蜂窝移动网络或WiFi与辅助定位设施和推荐计算***进行通信;
辅助定位设施,协同用户移动设备的GPS实现精确定位;
推荐计算***,为用户提供满足其个性需求的推荐结果;
(2)对推荐计算***进行初始化:
(2a)推荐计算***获取所有备选景点的签到数据,构建出签到矩阵C;计算出所有备选景点的热度值和模拟评分值其中,Ik为备选景点之一,ckj是用户编号为Uj的用户在备选景点Ik的签到次数,ckp是用户编号为Up的用户在备选景点Ik的签到次数;
(2b)推荐计算***计算所有备选景点的评价函数值:其中,表示两个参数分别归一化后相乘;
(3)用户在当前位置向推荐计算***发送推荐请求;
(4)推荐计算***响应用户请求并通过读取用户GPS信息获取其位置信息Li,并计算该位置与所有备选景点位置的欧几里得距离,生成距离集合;
(5)推荐计算***将备选景点的评价函数值fE(IK)和距离集合作为输入参数,输出K个推荐的旅游景点集合:
(5a)推荐计算***从一个用户的签到数据中获取所有用户感兴趣的旅游景点分类的集合,即用户历史偏好集P;
(5b)推荐计算***对满足用户历史偏好集P的所有备选旅游景点执行支配查询算法,输出d个推荐的旅游景点;
(5c)推荐计算***对除去已选出的d个旅游后剩余的备选景点,再执行支配查询算法,输出K-d个推荐的旅游景点;
(5d)合并(5b)和(5c)中输出的推荐旅游景点作为最终输出的K个推荐旅游景点集合。
本发明具有如下优点:
1)本发明由于充分挖掘签到数据的隐含信息,通过热度值和模拟评分值对一个景点的进行评价,可以充分计算备选景点的推荐价值;
2)本发明由于使用社交网络中的签到数据来分析用户的行为偏好,减少了用户与推荐计算***之间的通信量,节省了通信带宽资源;
3)本发明由于使用数据库中的支配查询算法,能对所有备选景点信息进行全面充分的比较,选择出最佳的推荐景点。
附图说明
图1是本发明的实现流程图;
图2是用本发明构建的推荐***框架;
图3是推荐***执行支配查询算法所需时间的仿真示意图。
具体实施方案
本发明的核心思想是利用基于位置的社交网络中产生的签到数据,计算备选旅游景点的热度值和模拟评分值,然后通过数据库中的支配查询算法,全面评价景点的推荐价值,并结合用户历史偏好,输出最终的个性化推荐结果。
参照图1,本发明实现步骤如下:
步骤1,建立通信框架。
参照图2,本步骤建立的通信***包括:用户、辅助定位设备、推荐计算***。其中用户通过蜂窝移动网络或WiFi与辅助定位设施和推荐计算***进行通信;
所述用户,包含通信模块与GPS模块;该通信模块用于实现用户与辅助定位设施和推荐计算***之间的数据通信,该GPS模块用于获得并向推荐计算***模块提供用户的地理位置信息;
所述辅助定位设施,用于协同用户移动设备的GPS实现精确定位;
所述推荐计算***,包含位置信息处理模块、景点评估模块和支配查询模块,位置信息处理模块用于获取用户当前位置,并计算用户当前位置和所有备选景点之间的距离,景点评估模块用于计算备选景点的评价函数值,支配查询模块用于执行支配查询算法,推荐计算***可以为用户提供满足其个性需求的推荐结果;
步骤2,对推荐计算***进行初始化。
(2a)推荐计算***获取所有备选景点的签到数据并构建出签到矩阵C:
(2a1)设签到矩阵C中的任一元素为cij;
(2a2)规定签到矩阵C的行标号为备选景点编号IID,列标号为用户编号UID;
(2a3)根据用户编号为Ui的用户在备选景点编号IID为Ij的景点历史签到次数给签到矩阵C的第i行第j列元素cij赋值,如果历史签到次数为l,则将cij赋值为l,如果从未签过到,则将cij赋值为0,其中,1≤i≤m,1≤j≤n;
(2a4)用所有元素cij构成签到矩阵C:
其中,m是签到矩阵C的行数,n是签到矩阵C的列数;
(2b)推荐计算***由签到矩阵C计算出所有备选景点的热度值H(Ik)和模拟评分值S(Ik);
(2b1)计算备选景点的热度值其中,H(Ik)是备选景点编号为Ik的备选景点的热度值,ckj是用户编号为Uj在备选景点Ik的签到次数;
(2b2)计算备选景点的模拟评分值其中,S(Ik)是备选景点编号为Ik的备选景点的模拟评分值,ckp是用户编号为Up的用户在备选景点Ik的签到次数了;
(2c)推荐计算***计算所有备选景点的评价函数值fE(Ik);
(2c1)对所有备选景点的热度值和模拟评分值进行归一化,得到归一化后的热度值: 和归一化后的模拟评分值:
(2c2)计算所有备选景点的评价函数值其中,是备选景点热度值的归一化值,是备选景点模拟评分值的归一化值。
步骤3,用户发送推荐请求。
用户通过自己的通信模块向推荐计算***发送推荐请求信息,并通过GPS模块协同辅助定位设施获取自己当前的精确位置,将自己的精确位置发送到推荐计算***。
步骤4,推荐计算***响应用户请求。
推荐计算***的位置信息处理模块响应用户的推荐请求,并接收用户发送的当前位置信息,然后计算该位置与所有备选景点位置之间的欧几里得距离,生成距离集合。
步骤5,推荐计算***获取用户历史偏好集P。
(5a)推荐计算***根据签到矩阵C统计用户历史签到次数大于或等于20的景点;
(5b)推荐计算***将统计出来的景点构成用户感兴趣的旅游景点的集合,即用户历史偏好集P。
步骤6,推荐计算***对用户偏好集P执行支配查询算法。
(6a)将用户历史偏好集P中每个备选旅游景点Iq在欧几里得距离值和评价函数值这两个维度上与其它所有备选景点进行比较:
如果景点Iq与用户位置的欧几里得距离小于景点Ir与用户位置的距离,且景点Iq的评价函数值大于景点Ir的评价函数值,则景点Iq支配景点Ir,并对其所支配景点数目加1;否则,景点Iq不能支配景点Ir,其所支配景点数目不变,其中,景点Ir为任一其它所有备选景点;
(6b)根据每个景点所支配其他景点的数目,将对应景点由大到小排列,输出支配数目排名前d的景点,其中,d是由用户自定义的参数。
步骤7,推荐计算***对剩余的备选景点执行支配查询算法。
(7a)将除去已选出的d个推荐景点后剩余的备选景点中每个备选旅游景点Iu在欧几里得距离值和评价函数值这两个维度上与其它所有备选景点进行比较:
如果景点Iu与用户位置的欧几里得距离小于景点Iv与用户位置的距离,且景点Iu的评价函数值大于景点Iv的评价函数值,则景点Iu支配景点Iv,并对其所支配景点数目加1;否则,景点Iu不能支配景点Iv,其所支配景点数目不变,其中,景点Iv为任一其它所有备选景点;
(7b)根据每个景点所支配其他景点的数目,将对应景点由大到小排列,输出支配数目排名前K-d的景点,其中,K是由用户自定义的参数。
步骤8,将步骤(6)和步骤(7)中输出的推荐旅游景点合并作为最终输出的K个推荐旅游景点集合。
本发明的优点可通过以下仿真实验进一步说明:
1.实验运行工具
本实验所有的过程和算法用Java语言来实验,运行环境为主频2.5Ghz的双核CPU,内存2G的计算机。
2.实验内容与结果
本实验将支配查询算法的参数K设置为20,参数d设置为10,实验中的签到数据来自微软研究院发布的城市签到数据。实验记录本发明方案与不考虑用户历史偏好的一般方案的推荐计算时间,结果如图3所示。
从图3中可以看出,本发明方案的推荐计算时间接近不考虑用户历史偏好的一般方案,且其充分考虑到了用户的历史偏好,更符合个性化推荐的要求。
Claims (4)
1.一种基于知识与位置的个性化旅游景点推荐方法,包括如下步骤:
(1)建立一个由用户、辅助定位设施、推荐计算***构成的推荐***框架,其中:
用户,通过蜂窝移动网络或WiFi与辅助定位设施和推荐计算***进行通信;
辅助定位设施,协同用户移动设备的GPS实现精确定位;
推荐计算***,为用户提供满足其个性需求的推荐结果;
(2)对推荐计算***进行初始化:
(2a)推荐计算***获取所有备选景点的签到数据,构建出签到矩阵C;计算出所有备选景点的热度值和模拟评分值其中,Ik为备选景点之一,ckj是用户编号为Uj的用户在备选景点Ik的签到次数,ckp是用户编号为Up的用户在备选景点Ik的签到次数;
(2b)推荐计算***计算所有备选景点的评价函数值:其中,表示两个参数分别归一化后相乘;
(3)用户在当前位置向推荐计算***发送推荐请求;
(4)推荐计算***响应用户请求并通过读取用户GPS信息获取其位置信息Li,并计算该位置与所有备选景点位置的欧几里得距离,生成距离集合;
(5)推荐计算***将备选景点的评价函数值fE(IK)和距离集合作为输入参数,输出K个推荐的旅游景点集合:
(5a)推荐计算***从一个用户的签到数据中获取所有用户感兴趣的旅游景点的集合,即用户历史偏好集P;
(5b)推荐计算***对满足用户历史偏好集P的所有备选旅游景点执行支配查询算法,输出d个推荐的旅游景点;
(5c)推荐计算***对除去已选出的d个旅游后剩余的备选景点,再执行支配查询算法,输出K-d个推荐的旅游景点;
(5d)合并(5b)和(5c)中输出的推荐旅游景点作为最终输出的K个推荐旅游景点集合。
2.根据权利要求1所述的方法,其中步骤(2a)中推荐计算***获取所有备选景点的签到数据,构建出签到矩阵C,按如下步骤进行:
(2a1)设签到矩阵C中的任一元素为cij;
(2a2)规定签到矩阵C的行标号为备选景点编号IID,列标号为用户编号UID;
(2a3)根据用户编号为Ui的用户在备选景点编号IID为Ij的景点历史签到次数给签到矩阵C的第i行第j列元素cij赋值,如果历史签到次数为l,则将cij赋值为l,如果从未签过到,则将cij赋值为0,1≤i≤m,1≤j≤n;
(2a4)将所有元素cij构成签到矩阵C:
其中,m是签到矩阵C的行数,n是签到矩阵C的列数。
3.根据权利要求1所述的方法,其中步骤(2b)中对所有备选景点的热度值和模拟评分值进行归一化,按如下步骤进行:
(2b1)对所有备选景点的热度值H(Ik)进行归一化,通过下式计算:
其中,表示备选景点热度值H(Ik)归一化后的值;
(2b2)对所有备选景点的模拟评分值S(Ik)进行归一化,通过下式计算:
其中,表示备选景点模拟评分值S(Ik)归一化后的值。
4.根据权利要求1所述的方法,其中步骤(5b)中推荐计算***对满足用户历史偏好集P的所有备选旅游景点执行支配查询算法,输出d个推荐的旅游景点,按如下步骤进行:
(5b1)将用户历史偏好集P中每个备选旅游景点Iq在欧几里得距离值和评价函数值这两个维度上与其它所有备选景点进行比较:
如果景点Iq与用户位置的欧几里得距离小于景点Ir与用户位置的距离,且景点Iq的评价函数值大于景点Ir的评价函数值,则景点Iq支配景点Ir,并对其所支配景点数目加1;否则,景点Iq不能支配景点Ir,其所支配景点数目不变,其中,景点Ir为任一其它所有备选景点;
(5b2)根据每个景点所支配其他景点的数目,将对应景点由大到小排列,输出支配数目排名前d的景点,其中,d是由用户自定义的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938942.9A CN105447185B (zh) | 2015-12-15 | 2015-12-15 | 基于知识与位置的个性化旅游景点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938942.9A CN105447185B (zh) | 2015-12-15 | 2015-12-15 | 基于知识与位置的个性化旅游景点推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447185A true CN105447185A (zh) | 2016-03-30 |
CN105447185B CN105447185B (zh) | 2018-11-16 |
Family
ID=55557361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510938942.9A Active CN105447185B (zh) | 2015-12-15 | 2015-12-15 | 基于知识与位置的个性化旅游景点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447185B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227900A (zh) * | 2016-09-06 | 2016-12-14 | 北京易游华成科技有限公司 | 景点推荐设备、方法及*** |
CN106943747A (zh) * | 2017-03-27 | 2017-07-14 | 网易(杭州)网络有限公司 | 虚拟角色名称推荐方法、装置、电子设备和存储介质 |
CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
CN108153791A (zh) * | 2016-12-02 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和相关装置 |
CN109002549A (zh) * | 2018-07-31 | 2018-12-14 | 国政通科技有限公司 | 一种精准命中高端旅游***的方法及装置 |
CN109202900A (zh) * | 2018-08-14 | 2019-01-15 | 北京云迹科技有限公司 | 基于点位热度的路线生成方法及装置 |
CN111143680A (zh) * | 2019-12-27 | 2020-05-12 | 上海携程商务有限公司 | 路线的推荐方法、***、电子设备及计算机存储介质 |
CN111259241A (zh) * | 2020-01-14 | 2020-06-09 | 浙江每日互动网络科技股份有限公司 | 一种信息处理方法及装置、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8589069B1 (en) * | 2009-11-12 | 2013-11-19 | Google Inc. | Enhanced identification of interesting points-of-interest |
CN104156897A (zh) * | 2014-07-24 | 2014-11-19 | 西北工业大学 | 基于情景感知的室内导览*** |
CN104239986A (zh) * | 2013-06-06 | 2014-12-24 | 阿里巴巴集团控股有限公司 | 提供旅游相关信息的方法及装置 |
CN104537027A (zh) * | 2014-12-19 | 2015-04-22 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
-
2015
- 2015-12-15 CN CN201510938942.9A patent/CN105447185B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8589069B1 (en) * | 2009-11-12 | 2013-11-19 | Google Inc. | Enhanced identification of interesting points-of-interest |
CN104239986A (zh) * | 2013-06-06 | 2014-12-24 | 阿里巴巴集团控股有限公司 | 提供旅游相关信息的方法及装置 |
CN104156897A (zh) * | 2014-07-24 | 2014-11-19 | 西北工业大学 | 基于情景感知的室内导览*** |
CN104537027A (zh) * | 2014-12-19 | 2015-04-22 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘艳,潘善亮: ""基于LBSN好友关系的个性化景点推荐方法"", 《计算机工程与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227900A (zh) * | 2016-09-06 | 2016-12-14 | 北京易游华成科技有限公司 | 景点推荐设备、方法及*** |
CN108153791A (zh) * | 2016-12-02 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和相关装置 |
CN108153791B (zh) * | 2016-12-02 | 2023-04-25 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和相关装置 |
CN106943747A (zh) * | 2017-03-27 | 2017-07-14 | 网易(杭州)网络有限公司 | 虚拟角色名称推荐方法、装置、电子设备和存储介质 |
CN106943747B (zh) * | 2017-03-27 | 2021-02-12 | 网易(杭州)网络有限公司 | 虚拟角色名称推荐方法、装置、电子设备和存储介质 |
CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
CN107729444B (zh) * | 2017-09-30 | 2021-01-12 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
CN109002549A (zh) * | 2018-07-31 | 2018-12-14 | 国政通科技有限公司 | 一种精准命中高端旅游***的方法及装置 |
CN109202900A (zh) * | 2018-08-14 | 2019-01-15 | 北京云迹科技有限公司 | 基于点位热度的路线生成方法及装置 |
CN111143680A (zh) * | 2019-12-27 | 2020-05-12 | 上海携程商务有限公司 | 路线的推荐方法、***、电子设备及计算机存储介质 |
CN111143680B (zh) * | 2019-12-27 | 2024-03-26 | 上海携程商务有限公司 | 路线的推荐方法、***、电子设备及计算机存储介质 |
CN111259241A (zh) * | 2020-01-14 | 2020-06-09 | 浙江每日互动网络科技股份有限公司 | 一种信息处理方法及装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105447185B (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447185A (zh) | 基于知识与位置的个性化旅游景点推荐方法 | |
He et al. | A classification of public transit users with smart card data based on time series distance metrics and a hierarchical clustering method | |
Luan et al. | Partition-based collaborative tensor factorization for POI recommendation | |
CN105045858B (zh) | 基于投票的出租车载客点推荐方法 | |
Zhang et al. | The Traj2Vec model to quantify residents’ spatial trajectories and estimate the proportions of urban land-use types | |
CN105183870B (zh) | 一种利用微博位置信息的城市功能区探测方法及*** | |
CN110457420B (zh) | 兴趣点位置识别方法、装置、设备及存储介质 | |
CN112766607A (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
CN107341166B (zh) | 一种车载app的推荐方法及*** | |
DE102019205821A1 (de) | Einrichtung und verfahren für verkehrsinformationsdienst | |
CN104077705A (zh) | 基于svm的景区电子商务推送方法及*** | |
Aschwanden et al. | Learning to walk: Modeling transportation mode choice distribution through neural networks | |
CN111141301A (zh) | 导航终点确定方法、装置、存储介质和计算机设备 | |
Lai et al. | Understanding drivers' route choice behaviours in the urban network with machine learning models | |
Holden et al. | Trip energy estimation methodology and model based on real-world driving data for green-routing applications | |
Liao et al. | Fusing geographic information into latent factor model for pick-up region recommendation | |
CN112699201B (zh) | 导航数据处理方法、装置、计算机设备和存储介质 | |
CN114090898A (zh) | 一种信息推荐方法、装置、终端设备及介质 | |
Sun et al. | Mobile technology and studies on transport behavior: A literature analysis, integrated research model, and future research agenda | |
Wang et al. | Deepfm-based taxi pick-up area recommendation | |
Wang et al. | A C-DBSCAN algorithm for determining bus-stop locations based on taxi GPS data | |
CN111782955A (zh) | 兴趣点表示和推送方法、装置、电子设备及存储介质 | |
Liu et al. | $\mathtt {Radar} $: Adversarial Driving Style Representation Learning With Data Augmentation | |
Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations | |
Liu et al. | Coupling travel characteristics identifying and deep learning for demand forecasting on car‐hailing tourists: A case study of Beijing, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |