CN110442780B - 基于智慧园区的车主画像生成方法、装置和计算机设备 - Google Patents
基于智慧园区的车主画像生成方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110442780B CN110442780B CN201910544434.0A CN201910544434A CN110442780B CN 110442780 B CN110442780 B CN 110442780B CN 201910544434 A CN201910544434 A CN 201910544434A CN 110442780 B CN110442780 B CN 110442780B
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle owner
- data
- behavior
- type
- 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 40
- 230000000737 periodic effect Effects 0.000 claims abstract description 78
- 230000006399 behavior Effects 0.000 claims description 134
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000001360 synchronised effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001960 triggered effect Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 description 22
- 239000000284 extract Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于智慧园区的车主画像生成方法、装置、计算机设备和存储介质。所述方法包括:获取预设时间段内园区的车主行为数据;所述车主行为数据包括车主标识、应用操作数据和停车数据;分析每个车主标识对应的应用操作数据,得到与车主标识对应的性格类型;统计每个车主标识对应的停车数据,得到与车主标识对应的停车服务喜好类型;利用每个车主标识对应的应用操作数据以及停车数据进行预测,得到与车主标识对应的周期行为类型;利用每个车主标识对应的性格类型、停车服务喜好类型以及周期行为类型生成对应的车主画像。采用本方法能够利用智慧园区的大数据准确分析不同车主的停车需求。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于智慧园区的车主画像生成方法、装置、计算机设备和存储介质。
背景技术
随着物联网技术的发展,可以实现智慧园区多方位的规划,为智慧园区的管理和运营提供了便利。智慧园区的管理工作是多方面的,包括园区的安全、环保、应急、企业办公以及公共服务等。在公共服务中,向企业用户中的众多车主提供优质的停车服务是一项重要的工作。
在传统的方式中,停车服务是由园区统一制定服务内容后,向所有的车主公告服务内容。而不同车主的停车需求是不同的,如果向车主推荐其不感兴趣的停车服务内容,会给车主造成不必要的干扰。考虑到智慧园区在运营过程中,通过物联网技术采集到了大量的数据。因此,如何利用智慧园区的大数据准确分析不同车主的停车需求成为目前需要解决的一个技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够利用智慧园区的大数据准确分析不同车主的停车需求的基于智慧园区的车主画像生成方法、装置、计算机设备和存储介质。
一种基于智慧园区的车主画像生成方法,所述方法包括:
获取预设时间段内园区的车主行为数据;所述车主行为数据包括车主标识、应用操作数据和停车数据;
分析每个车主标识对应的应用操作数据,得到与车主标识对应的性格类型;
统计每个车主标识对应的停车数据,得到与车主标识对应的停车服务喜好类型;
利用每个车主标识对应的应用操作数据以及停车数据进行预测,得到与车主标识对应的周期行为类型;
利用每个车主标识对应的性格类型、停车服务喜好类型以及周期行为类型生成对应的车主画像。
在其中一个实施例中,在所述获取预设时间段内园区的车主行为数据之前,所述方法还包括:
对停车数据库与应用管理数据库进行监听;
当所述停车数据库的同步操作被触发时,利用多个停车字段在所述停车数据库中读取相应的停车数据,将读取到的停车数据实时写入目标数据库;
当所述应用管理数据库的同步操作被触发时,利用多个应用操作字段在所述应用管理数据库中读取相应的应用操作数据,将读取到的应用操作数据实时写入目标数据库。
在其中一个实施例中,所述分析每个车主标识对应的应用操作数据包括:
获取多个维度的行为特征,根据所述行为特征在所述应用操作数据中提取每个车主标识对应的行为特征值;
利用多个行为特征及对应的行为特征值生成行为特征矩阵;
通过所述性格分析模型对所述行为特征矩阵进行运算,输出每个车主标识对应的性格类型。
在其中一个实施例中,所述统计每个车主标识对应的停车数据包括:
获取停车服务信息,所述停车服务信息中包括停车服务类型;
对停车服务类型对应的办理次数进行统计;
根据多种停车服务类型的办理统计次数,确定每个车主标识对应的停车服务喜好类型。
在其中一个实施例中,所述利用每个车主标识对应的应用操作数据以及停车数据进行预测包括:
利用多个维度的行为特征,在操作数据中提取对应的行为特征值;
利用多个维度的停车特征,在停车数据中提取对应的停车特征值;
利用所述行为特征、行为特征值、停车特征以及停车特征值,生成预测矩阵;
通过周期预测模型对所述预测矩阵进行运算,输出与每个车主标识对应的周期行为类型。
在其中一个实施例中,所述方法还包括:
根据每个车主标识对应的停车数据,识别当前停车服务是否临近期限;
若是,则根据车主画像选择相适应的停车服务信息,将选择出的停车服务信息推送至车主标识对应的终端。
一种基于智慧园区的车主画像生成装置,所述装置包括:
数据获取模块,用于获取预设时间段内园区的车主行为数据;所述车主行为数据包括车主标识、应用操作数据和停车数据;
性格分析模块,用于分析每个车主标识对应的应用操作数据,得到与车主标识对应的性格类型;
停车喜好统计模块,用于统计每个车主标识对应的停车数据,得到与车主标识对应的停车服务喜好类型;
周期行为预测模块,用于利用每个车主标识对应的应用操作数据以及停车数据进行预测,得到与车主标识对应的周期行为类型;
画像生成模块,用于利用每个车主标识对应的性格类型、停车服务喜好类型以及周期行为类型生成对应的车主画像。
在其中一个实施例中,所述装置还包括:
数据同步模块,用于对停车数据库与应用管理数据库进行监听;当所述停车数据库的同步操作被触发时,利用多个停车字段在所述停车数据库中读取相应的停车数据,将读取到的停车数据实时写入目标数据库;当所述应用管理数据库的同步操作被触发时,利用多个应用操作字段在所述应用管理数据库中读取相应的应用操作数据,将读取到的应用操作数据实时写入目标数据库。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
上述基于智慧园区的车主画像生成方法、装置、计算机设备和存储介质,通过对预设时间段内每个车主标识对应的应用操作数据进行分析,可以得到每个车主的性格类型。通过对预设时间段内每个车主标识对应的停车数据进行统计,可以得到每个车主的停车服务喜好类型。通过利用预设时间段内每个车主标识对应的应用操作数据以及停车数据进行预测分析,可以得到每个车主的周期行为类型,由此可以从车主的性格类型、停车服务喜好类型以及周期行为类型多个维度准确生成车主画像,反映车主在停车方面的需求。从而实现了利用智慧园区的大数据准确分析不同车主的停车需求。
附图说明
图1为一个实施例中基于智慧园区的车主画像生成方法的应用场景图;
图2为一个实施例中基于智慧园区的车主画像生成方法的流程示意图;
图3为一个实施例中基于智慧园区的车主画像生成装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于智慧园区的车主画像生成方法,可以应用于如图1所示的应用环境中。其中,停车闸机102通过网络与服务器104进行通信,监控设备106通过网络与服务器104进行通信,车主的终端108通过网络与服务器104进行通信。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。通过停车闸机102可以采集智慧园区(以下简称园区)内车辆进出的数据,通过监控设备106可以采集园区内车辆信息以及人脸信息。停车闸机102以及监控设备106将采集到的停车数据分别上传至服务器104。终端108上安装了应用程序,应用程序在运行时,可以采集用户的应用操作数据上传至服务器104。服务器104利用与车主标识对应的应用操作数据和停车数据,分别分析与车主标识对应的性格类型、停车服务喜好类型、周期行为类型,服务器104利用每个车主标识对应的性格类型、停车服务喜好类型以及周期行为类型生成对应的车主画像。从而实现了利用智慧园区的大数据准确分析不同车主的停车需求。
在一个实施例中,如图2所示,提供了一种基于智慧园区的车主画像生成方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取预设时间段内园区的车主行为数据;车主行为数据包括车主标识、应用操作数据和停车数据。
智慧园区可以为所有用户提供应用程序,通过该应用程序可以方便用户了解智慧园区内的基本信息、服务信息等。应用程序在运行时,可以采集用户的操作数据上传至服务器。智慧园区中还安装了多个停车闸机以及多个监控设备。不同的监控设备可以对智慧园区的多个位置进行监控。通过停车闸机可以采集车辆进出的数据,通过监控设备可以采集车辆信息以及人脸信息。停车闸机以及监控设备将采集到的数据分别上传至服务器。
服务器上可以分别针对应用程序以及停车闸机和监控设备等部署相应的数据库,这些数据库也可以称为源数据库,不同的源数据库中可以存入不同的数据,以便对各种数据分别进行管理。本实施例中,针对停车服务,服务器上可以设置目标数据库。该目标数据库中用于存储与车主相关的应用操作数据以及停车数据。其中,该目标数据库中的数据可以是从多个源数据库中同步得到的。
应用操作数据是指车主对应用程序进行操作所产生的数据,包括页面浏览、页面中的触发操作、页面浏览时长等。页面中的触发操作包括查看、搜索、购买等。停车数据是指车主在智慧园区内停车的相关数据,包括停车时间、停车时长、所办理的停车服务、停车费等。停车服务可以包括按周期缴纳的停车费以及停车位等。
步骤204,分析每个车主标识对应的应用操作数据,得到与车主标识对应的性格类型。
服务器可以在目标数据库中提取预设时间段内每个车主标识对应的应用操作数据。服务器上预先建立了性格分析模型,通过性格分析模型对每个车主标识的应用操作数据分别进行分析处理,得到与车主标识对应的性格类型。性格类型包括外向型和内向型。其中,外向型的性格表示车主易于接受周期性的停车服务。内向型的性格表示车主不易接受周期性的停车服务。
步骤206,统计每个车主标识对应的停车数据,得到与车主标识对应的停车服务喜好类型。
服务器可以在目标数据库中提取预设时间段内每个车主标识对应的停车数据。服务器上预先建立了停车统计模型。通过停车统计模型可以对每个车主标识对应的停车数据分别进行统计,其中,包括对停车数据中的停车时长、周期性停车服务的办理次数等进行统计,根据统计结果识别每个车主标识对应的停车服务喜好类型。停车服务喜好类型可以与周期性停车服务的类型相对应。
步骤208,利用每个车主标识对应的应用操作数据以及停车数据进行预测,得到与车主标识对应的周期行为类型。
服务器上预先建立了行为预测模型,通过行为预测模型可以对预设时间段内每个车主标识对应的应用操作数据以及停车数据进行预测分析。其中,服务器可以根据预测分析所需的多个维度的行为特征,在与车主标识对应的应用操作数据以及停车数据中分别检索对应的字段,将字段值作为相应的行为特征值进行提取。服务器利用多个维度的行为特征以及行为特征值生成行为矩阵,输入行为预测模型,行为预测模型进行运算,输出与车主标识对应的周期行为类型。周期行为类型包括短周期、一般周期和长周期。
步骤210,利用每个车主标识对应的性格类型、停车服务喜好类型以及周期行为类型生成对应的车主画像。
服务器对每个车主标识的性格类型、停车服务喜好类型以及周期行为类型,分别生成相应的类型标签。服务器利用每个车主的多个类型标签构建与车主标识对应的车主画像。
本实施例中,通过对预设时间段内每个车主标识对应的应用操作数据进行分析,可以得到每个车主的性格类型。通过对预设时间段内每个车主标识对应的停车数据进行统计,可以得到每个车主的停车服务喜好类型。通过利用预设时间段内每个车主标识对应的应用操作数据以及停车数据进行预测分析,可以得到每个车主的周期行为类型,由此可以从车主的性格类型、停车服务喜好类型以及周期行为类型多个维度准确生成车主画像,反映车主在停车方面的需求。从而实现了利用智慧园区的大数据准确分析不同车主的停车需求。
在一个实施例中,在获取预设时间段内园区的车主行为数据之前,方法还包括:对停车数据库与应用管理数据库进行监听;当停车数据库的同步操作被触发时,利用多个停车字段在停车数据库中读取相应的停车数据,将读取到的停车数据实时写入目标数据库;当应用管理数据库的同步操作被触发时,利用多个应用操作字段在应用管理数据库中读取相应的应用操作数据,将读取到的应用操作数据实时写入目标数据库。
服务器上可以分别针对应用程序以及停车闸机和监控设备等部署相应的数据库,这些数据库也可以称为源数据库,不同的源数据库中可以存入不同的数据。针对停车服务,服务器上可以设置目标数据库。该目标数据库中用于存储与车主相关的应用操作数据以及停车数据。
考虑到每种源数据库中都会存储大量数据,而用于生成车主画像的数据并不需要将源数据库中的全部数据同步至目标数据库。为了得到有效的数据,目标数据库中预先创建了目标数据表。目标数据表中包括多个同步字段。同步字段可以是根据用户画像的指标特征设定的。例如,同步字段中包括车主标识,以及与车主标识对应的应用程序账号等。
服务器调用脚本根据源数据库名称对对停车数据库与应用管理数据库的写操作进行监听。当监听到与同步字段对应的数据被写入对停车数据库和/或应用管理数据库时,触发对停车数据库和/或应用管理数据库向目标数据库的同步操作。服务器调用线程利用同步字段生成SQL语句。当停车数据库和/或应用管理数据库向目标数据库的同步操作被触发时,服务器通过SQL语句在停车数据库和/或应用管理数据库中读取相应字段的数据。服务器将读取到的数据实时写入至目标数据库的目标数据表中。以此使得目标数据库中能够存储与生成车主画像相关的车主行为数据。
由于在执行同步操作时,服务器只提取了停车数据库和应用管理数据库中与生成车主画像相关的数据,而不需要对停车数据库和应用管理数据库的全部数据进行同步,节省了数据读操作以及写操作的耗时,有效提高了数据同步的效率。
进一步的,在数据同步之后,生成用户画像之前,服务器还会对目标数据库中的进行预处理。预处理包括数据清洗、格式转换以及数据集成等。具体的,服务器可以预先对目标数据库的字段设置相应的阈值范围,若超过阈值的,可以作为异常数据予以清除。服务器可以进行重复数据检查,清除重复数据。服务器还可以利用插值方式对缺失数据进行填充,对拼写错误进行纠正。
由于不同的源数据库所采用的数据存储格式不同,由此可能出现目标数据库中同一车主的停车数据与应用操作数据的格式不同,不便于利用模型分析。因此,服务器可以预先存储标准格式文件,标准格式文件中记录了目标数据库与停车数据库以及应用管理数据库之间的存储格式对应关系。其中,该对应关系可以是字段与字段之间的对应关系。服务器将同步得到的数据按照该对应关系,进行格式转换,使得停车数据与应用操作数据保持同一格式。
车主标识可以是车辆号码也可以是车主手机号码。为了将同一车主的停车数据与应用操作数据进行集成,服务器可以根据车主标识获取与之对应的应用程序账号,建立车主标识与应用程序账号之间的关联关系,由此根据该关联关系,将同一车主的停车数据与应用操作数据进行关联存储。
在一个实施例中,分析每个车主标识对应的应用操作数据包括:获取多个维度的行为特征,根据行为特征在应用操作数据中提取每个车主标识对应的特征值;利用多个行为特征及对应的特征值生成行为特征矩阵;通过性格分析模型对行为特征矩阵进行运算,输出每个车主标识对应的性格类型。
服务器上预先建立了性格分析模型,例如,性格分析模块可以是基于SVM机器学习模型所构建的。服务器获取多个维度的行为特征,行为特征包括车主在应用程序操作过程中形成的特征。行为特征包括应用程序使用频率、通过应用程序进行的停车服务办理行为、应用程序在线消费行为、对应用程序推荐的新活动的查看行为等。针对每个车主标识,服务器根据行为特征在应用操作数据中提取对应特征值。由于特征值作为具体数值,可能彼此之间存在较大差异,为了方便性格分析模型运算,服务器可以对特征值进行编码,利用行为特征与编码后的特征值生成行为特征矩阵。由于不同的行为特征反映车主性格的重要程度不同,为了准确分析车主性格类型,服务器可以对不同的行为特征设置不同的权重。服务器可以利用每个行为特征对应的权重与编码后的特征值生成行为特征矩阵。服务器将行为特征矩阵作为性格分析模型的输入,性格分析模型对行为特征矩阵进行运算,输出每个车主标识对应的性格类型。性格类型包括外向型和内向型。其中,外向型的性格表示车主易于接受周期性的停车服务。内向型的性格表示车主不易接受周期性的停车服务。
进一步的,为了准确分析车主的性格类型,服务器还可以在本实施例的基础上增加行为特征,如优惠券使用率。服务器可以根据应用操作数据获取与车主标识对应的订单信息,若订单信息中包括优惠使用信息,则统计该车主标识所有订单中的优惠券使用率。服务器将优惠券使用率作为行为特征,结合上述多个行为特征,生成行为特征矩阵。由于该行为矩阵中包含了车主的部分消费习惯,由此能够更加准确的分析车主的性格类型。
通过应用操作数据对每个车主的行为特征进行分析,由此可以准确得到车主的性格类型。由于车主的性格类型是与停车服务相关的性格类型,从而有助于提高车主画像的准确性。
在一个实施例中,统计每个车主标识对应的停车数据包括:获取停车服务信息,停车服务信息中包括停车服务类型;对停车服务类型对应的办理次数进行统计;根据多种停车服务类型的办理统计次数,确定每个车主标识对应的停车服务喜好类型。
服务器上预先建立了停车统计模型。服务器可以根据预设时间段内的停车数据,对每个车主的停车数据进行多维度的统计。具体的,服务器获取停车服务信息,停车服务信息中包括停车服务类型。停车服务类型包括周期性停车服务以及临时停车服务。服务器可以对每个车主标识在预设时间段内的周期性停车服务的办理次数进行统计,由此可以分析车主对周期性停车服务的倾向。周期性停车服务可以包括多种不同周期的停车服务,例如,周期可以是月、季度、半年、年等。服务器进一步对每一种周期性停车服务进行统计,得到每一种周期性停车服务的统计值。由此可以得知该车主对各种周期性停车服务的喜好倾向。服务器根据车主标识对应的每一种周期性停车服务的统计值进行排序,将最大统计站对应的周期性停车服务的类型确定为车主的停车服务喜好类型。
通过对预设时间段内的停车数据进行多维度统计,由此能够准确识别车主的停车服务喜好类型。
在一个实施例中,利用每个车主标识对应的应用操作数据以及停车数据进行预测包括:利用多个维度的行为特征,在操作数据中提取对应的行为特征值;利用多个维度的停车特征,在停车数据中提取对应的停车特征值;利用行为特征、行为特征值、停车特征以及停车特征值,生成预测矩阵;通过周期预测模型对预测矩阵进行运算,输出与每个车主标识对应的周期行为类型。
服务器上预先建立了周期预测模型,例如,周期预测模块可以是基于SVM机器学习模型所构建的。其中,周期预测模型与性格分析模型是不同的机器学习模型。本实施例中,服务器可以参照上述实施例中提供的方式在目标数据库中提取多个维度的行为特征及对应的行为特征值。服务器可以在目标数据库中提取多个维度的停车特征以及对应的停车特征值。停车特征包括停车时长、周期性停车服务的办理次数、停车服务的周期等。服务器可以参照上述实施例中提供的方式对行为特征值以及停车特征值进行编码,以及利用行为特征的权值与停止特征的权重,生成相应的预测矩阵。服务器将行为预测矩阵作为周期预测模型的输入,周期预测模型对行为预测矩阵进行运算,输出每个车主标识对应的周期行为类型。周期行为类型包括短周期、一般周期和长周期。由于预测矩阵中包含了预设时间段内的行为特征以及停车特征,由此能够有效提高车主周期行为类型预测的准确性。
在一个实施例中,该方法还包括:根据每个车主标识对应的停车数据,识别是否办理过周期性停车服务,若是,则识别当前停车服务是否临近期限;若是,则根据车主画像选择相适应的停车服务信息,将选择出的停车服务信息推送至车主标识对应的终端。
服务器可以按照停车服务的周期,对每个车主的当前停车服务进行识别。如果当前停车服务属于周期性停车服务,且临近期限(如当前停车服务的有效期在预设天数内),则服务器可以按照预设规则,利用车主画像选择相适应的停车服务信息,将选择出的停车服务信息向该车主标识对应的终端进行推送。
具体的,服务器根据车主标识获取对应的车主画像,车主画像包括多个画像标签,每个画像标签对应一种类型,如性格类型、停车服务喜好类型或者周期行为类型。不同车主标识对应的车主画像可以是不同的。服务器根据车主标识对应的周期行为类型当前停车服务对应的类型,获取相同的周期性停车服务信息,将该信息推送至车主标识对应的终端。或者服务器根据当前停车服务对应的周期与上一停车服务对应的周期进行比对,两者周期相同,则获取比当前周期长的停车服务信息。如上一停车服务的周期为一个月,当前停车服务的周期也是一个月,则服务器获取周期为季度的停车服务信息发送至车主标识对应的终端。如上一停车服务的周期为一个季度,当前停车服务的周期也是一个季度,则服务器获取周期为年的停车服务信息发送至车主标识对应的终端。如果停车周期不属于上述情形,则服务器根据车主标识对应的停车服务喜好类型,获取该类型的停车服务信息推送至车主标识对应的终端。
如果车主没有办理过周期性停车服务,则服务器可以基于车主画像中的性格类型向车主推送相应的周期性停车服务信息。具体的,服务器可以根据外向型性格选择最短周期或者随机选择一种的周期性停车服务信息,推送至车主标识对应的终端。
为了能够根据车主的性格类型选择最合适的停车服务信息,服务器还可以根据外向型性格与周期行为类型选择与该周期行为类型一致的周期性停车服务信息。例如,车主的周期行为类型为短周期,则服务器可以选择最短周期的停车服务信息向车主推送。车主的周期行为类型为长周期,则服务器可以选择最长周期的停车服务信息向车主推送。
通过结合车主画像,由此能够针对每位车主选择与其停车需求相适应的停车服务信息。由此实现了为每位车主进行个性化推荐停车服务。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种基于智慧园区的车主画像生成装置,包括:数据获取模块302、性格分析模块304、停车喜好统计模块306、周期行为预测模块308、画像生成模块310,其中:
数据获取模块302,用于获取预设时间段内园区的车主行为数据;车主行为数据包括车主标识、应用操作数据和停车数据。
性格分析模块304,用于分析每个车主标识对应的应用操作数据,得到与车主标识对应的性格类型。
停车喜好统计模块306,用于统计每个车主标识对应的停车数据,得到与车主标识对应的停车服务喜好类型。
周期行为预测模块308,用于利用每个车主标识对应的应用操作数据以及停车数据进行预测,得到与车主标识对应的周期行为类型。
画像生成模块310,用于利用每个车主标识对应的性格类型、停车服务喜好类型以及周期行为类型生成对应的车主画像。
在一个实施例中,该装置还包括:数据同步模块,用于对停车数据库与应用管理数据库进行监听;当停车数据库的同步操作被触发时,利用多个停车字段在停车数据库中读取相应的停车数据,将读取到的停车数据实时写入目标数据库;当应用管理数据库的同步操作被触发时,利用多个应用操作字段在应用管理数据库中读取相应的应用操作数据,将读取到的应用操作数据实时写入目标数据库。
在一个实施例中,性格分析模块304还用于获取多个维度的行为特征,根据行为特征在应用操作数据中提取每个车主标识对应的特征值;利用多个行为特征及对应的特征值生成行为特征矩阵;通过性格分析模型对行为特征矩阵进行运算,输出每个车主标识对应的性格类型。
在一个实施例中,停车喜好统计模块还用于获取停车服务信息,停车服务信息中包括停车服务类型对停车服务类型对应的办理次数进行统计;
根据多种停车服务类型的办理统计次数,确定每个车主标识对应的停车服务喜好类型。
在一个实施例中,周期行为预测模块还用于利用多个维度的行为特征,在操作数据中提取对应的行为特征值;利用多个维度的停车特征,在停车数据中提取对应的停车特征值;利用行为特征、行为特征值、停车特征以及停车特征值,生成预测矩阵;通过周期预测模型对预测矩阵进行运算,输出与每个车主标识对应的周期行为类型。
在一个实施例中,该装置还包括推荐模块,用于根据每个车主标识对应的停车数据,识别当前停车服务是否临近期限;若是,则根据车主画像选择相适应的停车服务信息,将选择出的停车服务信息推送至车主标识对应的终端。
关于基于智慧园区的车主画像生成装置的具体限定可以参见上文中对于基于智慧园区的车主画像生成方法的限定,在此不再赘述。上述基于智慧园区的车主画像生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储供应应用操作数据以及停车数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于智慧园区的车主画像生成方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述各个方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于智慧园区的车主画像生成方法,所述方法包括:
获取预设时间段内园区的车主行为数据;所述车主行为数据包括车主标识、应用操作数据和停车数据,所述停车数据包括停车服务类型及对应的办理次数;
分析每个车主标识对应的应用操作数据,得到与车主标识对应的性格类型,所述性格类型用于表征车主是否易于接受周期性的停车服务;
统计每个车主标识对应的停车数据,得到与车主标识对应的停车服务喜好类型,所述停车服务喜好类型用于表征对各种周期性停车服务的喜好倾向;
利用每个车主标识对应的应用操作数据以及停车数据进行预测,得到与车主标识对应的周期行为类型;
利用每个车主标识对应的性格类型、停车服务喜好类型以及周期行为类型分别生成相应的类型标签,基于各类型标签生成对应的车主画像;所述车主画像中的周期行为类型、停车服务喜好类型及性格类型,分别用于不同条件下的停车服务信息推送。
2.根据权利要求1所述的方法,其特征在于,在所述获取预设时间段内园区的车主行为数据之前,所述方法还包括:
对停车数据库与应用管理数据库进行监听;
当所述停车数据库的同步操作被触发时,利用多个停车字段在所述停车数据库中读取相应的停车数据,将读取到的停车数据实时写入目标数据库;
当所述应用管理数据库的同步操作被触发时,利用多个应用操作字段在所述应用管理数据库中读取相应的应用操作数据,将读取到的应用操作数据实时写入目标数据库。
3.根据权利要求1所述的方法,其特征在于,所述分析每个车主标识对应的应用操作数据包括:
获取多个维度的行为特征,根据所述行为特征在所述应用操作数据中提取每个车主标识对应的行为特征值;
利用多个行为特征及对应的行为特征值生成行为特征矩阵;
通过性格分析模型对所述行为特征矩阵进行运算,输出每个车主标识对应的性格类型。
4.根据权利要求1所述的方法,其特征在于,所述统计每个车主标识对应的停车数据包括:
获取停车服务信息,所述停车服务信息中包括停车服务类型;
对停车服务类型对应的办理次数进行统计;
根据多种停车服务类型的办理统计次数,确定每个车主标识对应的停车服务喜好类型。
5.根据权利要求1所述的方法,其特征在于,所述利用每个车主标识对应的应用操作数据以及停车数据进行预测包括:
利用多个维度的行为特征,在操作数据中提取对应的行为特征值;
利用多个维度的停车特征,在停车数据中提取对应的停车特征值;
利用所述行为特征、行为特征值、停车特征以及停车特征值,生成预测矩阵;
通过周期预测模型对所述预测矩阵进行运算,输出与每个车主标识对应的周期行为类型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据每个车主标识对应的停车数据,识别当前停车服务是否临近期限;
若是,则根据车主画像选择相适应的停车服务信息,将选择出的停车服务信息推送至车主标识对应的终端。
7.一种基于智慧园区的车主画像生成装置,其特征在于,所述装置包括:
数据获取模块,用于获取预设时间段内园区的车主行为数据;所述车主行为数据包括车主标识、应用操作数据和停车数据,所述停车数据包括停车服务类型及对应的办理次数;
性格分析模块,用于分析每个车主标识对应的应用操作数据,得到与车主标识对应的性格类型,所述性格类型用于表征车主是否易于接受周期性的停车服务;
停车喜好统计模块,用于统计每个车主标识对应的停车数据,得到与车主标识对应的停车服务喜好类型,所述停车服务喜好类型用于表征对各种周期性停车服务的喜好倾向;
周期行为预测模块,用于利用每个车主标识对应的应用操作数据以及停车数据进行预测,得到与车主标识对应的周期行为类型;
画像生成模块,用于利用每个车主标识对应的性格类型、停车服务喜好类型以及周期行为类型分别生成相应的类型标签,基于基于各类型标签生成对应的车主画像;所述车主画像中的周期行为类型、停车服务喜好类型及性格类型,分别用于不同条件下的周期性停车服务信息推送。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
数据同步模块,用于对停车数据库与应用管理数据库进行监听;当所述停车数据库的同步操作被触发时,利用多个停车字段在所述停车数据库中读取相应的停车数据,将读取到的停车数据实时写入目标数据库;当所述应用管理数据库的同步操作被触发时,利用多个应用操作字段在所述应用管理数据库中读取相应的应用操作数据,将读取到的应用操作数据实时写入目标数据库。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910544434.0A CN110442780B (zh) | 2019-06-21 | 2019-06-21 | 基于智慧园区的车主画像生成方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910544434.0A CN110442780B (zh) | 2019-06-21 | 2019-06-21 | 基于智慧园区的车主画像生成方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442780A CN110442780A (zh) | 2019-11-12 |
CN110442780B true CN110442780B (zh) | 2022-10-28 |
Family
ID=68428976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910544434.0A Active CN110442780B (zh) | 2019-06-21 | 2019-06-21 | 基于智慧园区的车主画像生成方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442780B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311784A (zh) * | 2020-03-04 | 2020-06-19 | 深圳市物语智联科技有限公司 | 用户画像确定方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885784A (zh) * | 2017-10-17 | 2018-04-06 | 北京京东尚科信息技术有限公司 | 提取用户特征数据的方法和装置 |
CN108230720A (zh) * | 2016-12-09 | 2018-06-29 | 深圳市易行网交通科技有限公司 | 停车管理方法和装置 |
CN108230725A (zh) * | 2016-12-09 | 2018-06-29 | 深圳市易行网交通科技有限公司 | 停车推荐方法和装置 |
CN109858953A (zh) * | 2019-01-02 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 用户画像方法、装置、计算机设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033769A1 (en) * | 2006-08-05 | 2008-02-07 | Sailendra Koorapati | Personalized Parking and Reservation System |
-
2019
- 2019-06-21 CN CN201910544434.0A patent/CN110442780B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230720A (zh) * | 2016-12-09 | 2018-06-29 | 深圳市易行网交通科技有限公司 | 停车管理方法和装置 |
CN108230725A (zh) * | 2016-12-09 | 2018-06-29 | 深圳市易行网交通科技有限公司 | 停车推荐方法和装置 |
CN107885784A (zh) * | 2017-10-17 | 2018-04-06 | 北京京东尚科信息技术有限公司 | 提取用户特征数据的方法和装置 |
CN109858953A (zh) * | 2019-01-02 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 用户画像方法、装置、计算机设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
SPA: Smart Parking Algorithm Based on Driver Behavior and Parking Traffic Predictions;Jiazao Lin et al;《IEEE Access 》;20190314(第7期);第34275-34288页 * |
基于贝叶斯网络的停车行为分析;宗芳 等;《***工程理论与实践》;20100531;第30卷(第5期);第948-955页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110442780A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767322B (zh) | 基于大数据的可疑交易分析方法、装置和计算机设备 | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN109543925B (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
WO2021164465A1 (zh) | 智能预警方法与*** | |
CN111831636B (zh) | 一种数据处理方法、装置、计算机***及可读存储介质 | |
CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN111915366B (zh) | 一种用户画像构建方法、装置、计算机设备及存储介质 | |
CN110490720A (zh) | 财务数据分析预警方法、装置、计算机设备和存储介质 | |
CN111177129B (zh) | 标签体系的构建方法、装置、设备及存储介质 | |
CN109359866B (zh) | 基于租赁设备的风险隐患监控方法、装置和计算机设备 | |
CN104731816A (zh) | 一种处理异常业务数据的方法和装置 | |
CN106293891B (zh) | 多维投资指标监督方法 | |
CN110634021A (zh) | 基于大数据的车辆估值方法、***、设备及可读存储介质 | |
CN109753421B (zh) | 服务***的优化方法、装置、计算机设备和存储介质 | |
CN111552680A (zh) | 业务欺诈识别数据库的构建方法、装置和计算机设备 | |
CN114186760A (zh) | 一种企业稳健运营的分析方法、***及可读存储介质 | |
CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
CN110516123A (zh) | 数据查询耗时评估方法、装置、计算机设备和存储介质 | |
CN110442780B (zh) | 基于智慧园区的车主画像生成方法、装置和计算机设备 | |
CN110084476B (zh) | 案件调整方法、装置、计算机设备和存储介质 | |
CN110941543A (zh) | 日志处理方法、装置、计算机设备和存储介质 | |
CN112948504B (zh) | 数据采集方法、装置、计算机设备和存储介质 | |
CN113780673A (zh) | 离职预测模型的训练方法、装置及离职预测方法、装置 | |
CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
CN109542947B (zh) | 数据统计方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |