CN111210158A - 目标地址确定方法、装置、计算机设备和存储介质 - Google Patents
目标地址确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111210158A CN111210158A CN202010035885.4A CN202010035885A CN111210158A CN 111210158 A CN111210158 A CN 111210158A CN 202010035885 A CN202010035885 A CN 202010035885A CN 111210158 A CN111210158 A CN 111210158A
- Authority
- CN
- China
- Prior art keywords
- data
- classification
- address
- alternative
- addresses
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及计算机技术领域,特别是一种目标地址确定方法、装置、计算机设备和存储介质。所述方法包括:获取备选地址原始数据;对各备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据;通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到得到各备选地址对应的分类指标;基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。采用本方法能够智能化的确定电柜投放地址。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种目标地址确定方法、装置、计算机设备和存储介质。
背景技术
随着电动车的广泛应用,对电动车换电柜的需求越来越高,尤其是对于外卖行业而言,在电动车电量耗尽时,能够尽快的达到换电柜位置并进行电动车蓄电池的更换,显得至关重要。
目前换电柜的投放地址的选择主要是人工根据先验知识(比如通过人流量、经销商服务能力等),从备选地址中选取确定,从而,换电柜投放地址的确定不够智能化。
发明内容
基于此,有必要针对上述技术问题,提供一种能够智能化的确定电柜投放地址的目标地址确定方法、装置、计算机设备和存储介质。
一种目标地址确定方法,所述方法包括:
获取备选地址原始数据;
对各备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据;
通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标;
基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。
在其中一个实施例中,对各备选地址原始数据进行特征数据提取,包括:
基于预设特征提取模板,从各备选地址原始数据中提取出各备选地址对应的初始特征数据;
分别对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据。
在其中一个实施例中,对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据,包括:
基于初始特征数据中各初始特征子数据的数据类型,对各初始特征子数据进行分类,得到第一类别特征数据以及数字特征数据;
分别对数字特征数据中的各初始特征子数据进行哈希运算,得到对应的哈希值,并基于各哈希值进行分桶计算,得到数字特征数据中各初始特征子数据对应的第二类别特征数据;
将第一类别特征数据对应的各初始特征子数据与第二类别特征数据进行交叉处理,得到对应初始特征数据的特征交叉数据;
对特征交叉数据进行分桶计算,得到对应备选地址的特征数据。
在其中一个实施例中,通过预先训练的分类模型对各备选地址对应的特征数据进行特征分类,得到各备选地址对应的分类指标,包括:
分别对各特征数据进行第一分类处理,得到对应各特征数据的第一分类指标,并基于各第一分类指标得到各特征数据的类别特征;
根据各特征数据以及各特征数据的类别特征,得到对应各特征数据的特征数据组;
分别对各特征数据组进行第二分类处理,得到对应各特征数据的第二分类指标;
根据第一分类指标以及第二分类指标,得到各备选地址对应的分类指标。
在其中一个实施例中,基于各备选地址对应的分类指标,对各备选地址进行排序之前,上述方法还包括:
分别判断各备选地址对应的分类指标是否大于预设指标阈值;
当备选地址对应的分类指标小于或等于预设指标阈值时,确定备选地址为不可选地址;
当备选地址对应的分类指标大于预设指标阈值时,确定备选地址为可选地址;
基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址,包括:
基于各可选地址对应的分类指标,对各可选地址进行排序,并从排序后的可选地址中选取预设数量的可选地址为目标地址。
在其中一个实施例中,分类模型包括第一分类模型以及第二分类模型,分类模型的训练方式包括:
获取已投放地址数据,标记为正样本数据集;
从备选地址原始数据中随机确定与正样本数据对应数量的备选地址原始数据,并标记为负样本数据集;
分别对正样本数据集以及负样本数据集中各样本数据进行特征数据提取,得到训练数据集,训练数据集中各训练数据携带有样本标识;
通过训练数据集对第一分类模型进行分类训练,得到各训练数据的第一分类指标,并基于各训练数据的第一分类指标得到各训练数据的类别特征;
基于训练数据集以及各训练数据的类别特征,对第二分类模型进行分类训练,以得到对应各训练数据的第二分类指标;
根据第一分类指标以及第二分类指标,得到对应各训练数据的分类指标;
根据各训练数据的样本标识以及分类指标,对第一分类模型以及第二分类模型进行迭代更新,以得到训练后的分类模型。
一种目标地址确定装置,所述装置包括:
获取模块,用于获取备选地址原始数据;
特征数据提取模块,用于对各备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据;
分类处理模块,用于通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标;
目标地址选取模块,用于基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。
在其中一个实施例中,特征数据提取模块,包括:
初始特征数据选取子模块,用于基于预设特征提取模板,从各备选地址原始数据中提取出各备选地址对应的初始特征数据;
特征数据预处理子模块,用于分别对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据。
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任一项所述方法的步骤。
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任一项所述的方法的步骤。
上述目标地址确定方法、装置、计算机设备和存储介质,通过对获取的备选地址原始数据中进行特征数据提取,得到对应各备选地址的特征数据,然后对各备选地址对应的特征数据进行分类处理,得到对应各备选地址的分类指标,进而基于各备选地址的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。从而,目标地址的确定基于对备选地址原始数据进行特征数据提取以及分类处理后确定,相比于人工根据先验知识确定,目标地址的确定更加智能化,提升了处理过程的智能化水平。
附图说明
图1为一个实施例中目标地址确定方法的应用场景图;
图2为一个实施例中目标地址确定方法的流程示意图;
图3为另一个实施例中目标地址确定方法的流程示意图;
图4为一个实施例中特征提取步骤的流程示意图;
图5为一个实施例中分类指标生成步骤的流程示意图;
图6为一个实施例中目标地址确定装置的结构框图;
图7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。
本申请提供的目标地址确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。具体地,终端102可以用于与用户交互,并基于用户指示输入对应的备选地址原始数据,并发送给服务器104。服务器104在获取备选地址原始数据后,可以进行特征数据提取,得到对应各备选地址的特征数据。然后服务器104通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标。进一步,服务器基于各备选地址对应的分类指标,对各所述备选地址进行排序,并从排序后的所述备选地址中选取预设数量的备选地址为目标地址。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,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。
在一个实施例中,如图2所示,提供了一种目标地址确定方法,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S202,获取备选地址原始数据。
其中,备选地址是指具体应用场景中供候选的地址。在本实施例中,备选地址是指电动车换电柜的投放备选地址,是指多个地址,例如换电柜的备选地址为10000个。
备选地址原始数据是指各备选地址的原始数据,例如,电动车换电柜的备选地址,备选地址原始数据可以包括但不限于身份信息、城市信息、城市商业化程度、城市发展规划、该地址附件电瓶车流量、人流量、居住人口数量、工作人口数量、经销商数量、各经销商服务能力等级、该地址附件所包含兴趣点类型以及数量(如否是包括学校、美食街、工厂、公司、地铁口等)、经销商所付费用、距离已有换电柜的最近距离以及该地址周边一定区域内已有换电柜数量等。
具体地,服务器可以按照省份或者城市等地理区域的划分,获取各地理区域范围内备选地址对应的备选地址原始数据,例如,山东省范围内备选地址对应的数据、河南省范围内备选地址对应的数据等;或者也可以根据各数据获取源的不同,从各数据源获取对应的数据,例如,从地图数据中获取备选地址附件所包含兴趣点的数据、根据网络上城市规划信息获取城市规划数据等。
步骤S204,对各备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据。
其中,备选地址的特征数据是指能够表征备选地址的地址特征的数据。
具体地,服务器可以通过多种方式进行特征数据提取,例如,基于已投放配电柜的特征数据,进行特征数据匹配,以匹配成功的数据作为特征数据,或者通过数据统计等方式,更具统计结果确定特征数据。
步骤S206,通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标。
其中,分类模型是指对特征数据进行分类的模型,例如,可以是两分类模型,即对某个特征是否符合某个特征条件进行分类。
分类指标是指对备选地址进行评判的指标,可以是等级指标,例如A级、B级、C级等指标,也可以数字指标,例如,0.5、0.7、1等。
具体地,服务器可以通过训练数据对分类模型进行预先训练,并在训练完成后,通过所述分类模型对各备选地址的特征数据进行分类处理,并输出对应各备选地址的分类指标。
步骤S208,基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。
如前文所述,在本实施例中,备选地址的数量为10000,目标地址的数量为800,即预设数量为800。
服务器在得到各备选地址的分类指标后,可以通过对得到的分类指标进行升序或者降序处理,对各备选地址进行排序。
进一步,服务器可以从排序后的备选地址中,确定排序在前或者排序在后的800各备选地址作为目标地址输出,从而实现了智能化的从备选地址中确定目标地址。
上述目标地址确定方法中,通过对获取的备选地址原始数据中进行特征数据提取,得到对应各备选地址的特征数据,然后对各备选地址对应的特征数据进行分类处理,得到对应各备选地址的分类指标,进而基于各备选地址的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。从而,目标地址的确定基于对备选地址原始数据进行特征数据提取以及分类处理后确定,相比于人工根据先验知识确定,目标地址的确定更加智能化,提升了处理过程的智能化水平。
在其中一个实施例中,对各备选地址原始数据进行特征数据提取,包括:基于预设特征提取模板,从各备选地址原始数据中提取出各备选地址对应的初始特征数据;分别对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据。
其中,特征数据提取模板是指预先定义的提取模板,可以包括待提取特征数据的数据信息。
初始特征数据是指基于根据特征提取模板从备选地址原始数据中提取得到的特征,可以包括但不限于省份特征、城市特征、车流量特征、人流量特征、居住人口数量特征、工作人口数量特征、经销商数量特征、各经销商服务能力等级特征、该地址附件所包含兴趣点类型特征以及数量特征、与最近距离的已有换电柜距离特征以及该地址周边一定区域内已有换电柜数量特征等。
特征数据预处理是指对各初始特征数据进行离散化、归一化等处理,使处理后的初始特征数据为离散化的数据。
具体地,参考图3,服务器在获取备选地址原始数据后,可以通过特征提取模板进行数据匹配,提取得到初始特征数据,进而将提取的初始特征数据输入Lookalike模块,在经过特征数据预处理后输入分类模型进行分类处理。
上述实施例中,通过预设模板对备选地址原始数据进行特征特征提取,并对提取的特征数据进行预处理,从而,特征数据预处理过程不用对备选地址原始数据中左右的数据进行处理,减少了数据处理量,进而可以节约数据处理时间,提升数据处理效率。
在其中一个实施例中,参考图4,对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据,包括:基于初始特征数据中各初始特征子数据的数据类型,对各初始特征子数据进行分类,得到第一类别特征数据以及数字特征数据;分别对数字特征数据中的各初始特征子数据进行哈希运算,得到对应的哈希值,并基于各哈希值进行分桶计算,得到数字特征数据中各初始特征子数据对应的第二类别特征数据;将第一类别特征数据对应的各初始特征子数据与第二类别特征数据进行交叉处理,得到对应初始特征数据的特征交叉数据;对特征交叉数据进行分桶计算,得到对应备选地址的特征数据。
其中,初始特征子数据是指组成初始特征数据的数据,是指对应一个特征的特征数据,例如,省份特征,或者城市特征,或者工作人口数量特征等。
具体地,服务器可以通过预设特征提取模板进行数据匹配,得到各初始特征子数据。
数据类型是指代各初始特征子数据指代的类型,可以包括类别特征和数字特征。其中,类别特征可以包括省份特征、城市特征、经销商服务能力等级特征等离散型特征,而数字特征可以包括车流量特征、人流量特征、居住人口数量特征、工作人口数量特征、经销商数量特征等非离散型特征。
哈希运算是指通过哈希算法进行计算,例如,MurmurHash算法等。具体地,如MurmurHash3、MurmurHash2等。
分桶是一种数据离散化方式,是指把连续型数据切分为若干“段”的处理过程,可以包括等距分桶和等频分桶。
其中,等距分桶是指将连续型变量的取值范围均匀划成n等份,每份的间距相等,例如,距离最近换电柜的距离是一个连续型变量,可以从几米到几千米,采取等距切分可以把500米以下的电柜划分成一组,500-1000米的为一组,1000-1500米为一组,以此类分,组距都是500米;等频分桶是把观察点均匀分为n等份,每份内包含的观察点数相同,距离最近换电柜的距离有1000个,等频分段需要先把距离按从小到大按顺序排列,排列好后可以按100个一组,把全部距离分为十段。
交叉处理是指对初始特征子数据进行特征交叉处理,例如,特征拼接处理等方式。
特征交叉数据是指通过交叉处理后生成的数据,根据交叉方式的不同,特征交叉数据可以不同。例如,通过特征拼接处理方式进行的交叉处理,得到的特征交叉数据包括由拼接的特征组成的数据,如初始特征子数据1“男”,初始特征子数据2“35”,则特征拼接处理后得到的特征交叉数据为“男35”。
具体地,服务器可以通过分别对初始特征数据中对各初始特征子数据进行识别,确定各初始特征子数据为类别特征数据或数字特征数据,并进行分类,从而得到第一类别特征数据以及数字特征数据。
进一步,服务器分别对数字特征数据中的各初始特征子数据进行哈希运算,得到对应各初始特征子数据的哈希值,并对得到的各哈希值进行分桶计算,并确定对应的类别。例如,服务器确定分桶个数为2,则对于初始特征子数据“85732.2”,进行哈希运算后得到哈希值“1234127”,对哈希值取余2后得1,则确定为类别1;对于初始特征子数据“123.452”,进行哈希运算后得到哈希值“2341230”,对哈希值取余2后得0,确定为类别2。从而,可以得到各数字特征数据的类别特征,并记为第二类别特征数据。
进一步,服务器将第一类别特征数据与第二类别特征数据进行交叉处理,得到对应初始特征数据的特征交叉数据。例如,备选地址对应的第一类别特征包括:城市特征“山东”、经销商服务能力等级特征“一级”、附近所包含兴趣点类型“学校”;而基于数字特征生成的第二类别特征包括:车流量特征“车流量一般”、居住人口数量特征“人流量巨大”,经交叉处理后,生成的特征交叉数据如表一所示。
表一
山东 | 一级 | 学校 | |
车流量一般 | 山东&车流量一般 | 一级&车流量一般 | 学校&车流量一般 |
人流量巨大 | 山东&人流量巨大 | 一级&人流量巨大 | 学校&人流量巨大 |
进一步,服务器进行交叉处理后,得到的特征交叉数据之间不具有均匀性,服务器可以对特征交叉数据进行分通计算,以得到特征数据。具体地,可以采用等频分桶。
上述实施例中,通过对第一类别特征数据与第二类别特征数据进行交叉处理后得到的特征交叉数据进行分桶,得到特征数据,可以解决特征交叉数据之间不具有均匀性,提升后续特征分类处理的准确性。
在其中一个实施例中,通过预先训练的分类模型对各备选地址对应的特征数据进行特征分类,得到各备选地址对应的分类指标,包括:分别对各特征数据进行第一分类处理,得到对应各特征数据的第一分类指标,并基于各第一分类指标得到各特征数据的类别特征;根据各特征数据以及各特征数据的类别特征,得到对应各特征数据的特征数据组;分别对各特征数据组进行第二分类处理,得到对应各特征数据的第二分类指标;根据第一分类指标以及第二分类指标,得到各备选地址对应的分类指标。
其中,分类模型可以包括第一分类模型以及第二分类模型,第一分类模型是指对生成的特征数据进行首次分类的模型,例如,可以是梯度提升决策树模型(eXtremeGradient Boosting,XGB)模型,第二分类模型是指对特征数据进行二次分类的模型,例如,可以是LGB(LightGBM)模型。
具体地,参考图5,服务器可以将各特征数据输入第一分类模型,例如,XGB模型,进行第一分类处理,以输出对应各特征数据的第一分类指标,例如,特征数据1为第一分类指标为0.5、特征数据2的分类指标为0.3。
进一步,服务器可以基于各特征数据的分类指标,将一定指标范围的特征数据分为同一类别,并分配同样的类别特征(特征数据n+1),例如,延用前例分类指标小于0.5的特征数据,确定对应的类别特征为类别1,分类指标大于或等于0.5的特征数据,确定对应的类别特征为类别0,即前例中,特征数据1可以确定对应的类别特征为类别0,特征数据2可以确定对应的类别特征为类别1。
进一步,服务器根据各特征数据以及各特征数据的类别特征,得到对应各特征数据的特征数据组,并输入第二分类模型,如LGB模型,进行第二分类处理。
可选地,服务器也可以直接将各特征数据以及得到的各特征数据的类别特征输入LGB模型,通过LGB模型输出第二分类指标。
进一步,服务器可以通过对第一分类指标以及第二分类指标进行分权重再加和处理,例如,通过引导聚集算法(Bootstrap aggregating,Bagging),以得到各备选地址对应的分类指标,即0.5*XGB+0.5*LGB。例如,特征数据1的第一分类指标为0.5,第二分类指标为0.6,则通过上述计算方式可以得到特征数据1的分类指标为0.5*0.5+0.5*0.6=0.55。
上述实施例中,通过对特征数据进行第一分类处理,得到第一分类指标和各特征数据的类别特征,然后基于各特征数据以及各特征数据的类别特征进行第二分类处理,得到第二分类指标,并基于第一分类指标以及第二分类指标得到各备选地址对应的分类指标,从而,分类指标基于多次分类处理后确定,可以提升生成的分类指标的准确性,进而可以提升目标地址的准确性。
在其中一个实施例中,基于各备选地址对应的分类指标,对各备选地址进行排序之前,上述方法还可以包括:分别判断各备选地址对应的分类指标是否大于预设指标阈值;当备选地址对应的分类指标小于或等于预设指标阈值时,确定备选地址为不可选地址;当备选地址对应的分类指标大于预设指标阈值时,确定备选地址为可选地址。
继续参考图3,服务器在得到各备选地址对应的分类指标后,可以分别将各分类指标与预设指标阈值进行比较,例如0.5,以判断各备选地址对应的分类指标是否大于该预设指标阈值。
具体地,服务器判定备选地址对分类指标小于或等于预设指标阈值时,即小于或等于0.5时,则确定该备选地址为不可选地址,即该备选地址不能选为目标地址,当服务器备选地址对应的分类指标大于预设指标阈值时,即大于0.5时,则确定该备选地址为可选地址,即该备选地址可以选为目标地址。
在本实施例中,基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址,可以包括:基于各可选地址对应的分类指标,对各可选地址进行排序,并从排序后的可选地址中选取预设数量的可选地址为目标地址。
具体地,服务器可以对确定为可选地址的地址进行排序,并从排序后的可选地址中确定目标地址,如前文所述的,选取排列顺序在前800的地址作为目标地址。
上述实施例中,通过预设指标阈值对各备选地址进行判断,并确定分类指标小于或等于预设指标阈值的备选地址为不可选地址,分类指标大于预设指标阈值的备选地址为可选地址,然后基于分类指标对可选地址进行排序,并从可选地址中确定目标地址,从而,排序流程中需要遍历的地址数量较少,可以提升服务器的处理速度以及处理效率。
在其中一个实施例中,分类模型包括第一分类模型以及第二分类模型,分类模型的训练方式包括:获取已投放地址数据,标记为正样本数据集;从备选地址原始数据中随机确定与正样本数据对应数量的备选地址原始数据,并标记为负样本数据集;分别对正样本数据集以及负样本数据集中各样本数据进行特征数据提取,得到训练数据集,训练数据集中各训练数据携带有样本标识;通过训练数据集对第一分类模型进行分类训练,得到各训练数据的第一分类指标,并基于各训练数据的第一分类指标得到各训练数据的类别特征;基于训练数据集以及各训练数据的类别特征,对第二分类模型进行分类训练,以得到对应各训练数据的第二分类指标;根据第一分类指标以及第二分类指标,得到对应各训练数据的分类指标;根据各训练数据的样本标识以及分类指标,对第一分类模型以及第二分类模型进行迭代更新,以得到训练后的分类模型。
如前所述,第一分类模型是指对生成的特征数据进行首次分类的模型,例如,可以是梯度提升决策树模型(eXtreme Gradient Boosting,XGB)模型。第二分类模型是指对特征数据进行二次分类的模型,例如,可以是LGB(LightGBM)模型。
在本实施例中,结合参考图3至图5,服务器获取已投放地址数据,并对获取的已投放地址数据进行标记,作为正样本数据集。并且,服务器从备选地址原始数据中随机选取与已投放地址数据的投放地址数量相等的备选地址的数据,并进行标记,作为负样本数据集。
进一步,服务器可以分别标记完成的正样本数据集以及负样本数据集中各个样本数据进行特征数据提取,得到对应各样本数据的初始特征数据,具体提取流程可参照前文所述,在此不做赘述。
进一步,服务器将提取的各样本数据的初始特征数据最为训练数据集,对第一分类模型进行训练,得到各训练数据的第一分类指标。
进一步,服务器可以基于各训练数据的分类指标,将一定指标范围的训练数据分为同一类别,并分配同样的类别特征,例如,分类指标小于0.5训练数据,确定对应的类别特征为1,分类指标大于或等于0.5的训练数据,确定对应的类别特征为0。
进一步,服务器可以基于各训练数据以及各训练数据对应的类别特征,生成训练数据组,并将各训练数据组输入第二分类模型,对第二分类模型进行训练。
在本实施例中,服务器通过第二分类模型输出各训练数据的第二分类指标后,可以通过bagging算法对第一分类指标以及第二分类指标进行bagging处理,以得到各训练数据的分类指标。
进一步,服务器可以根据训练数据集中各训练数据携带的样本标识以及经bagging处理后得到的分类指标,对第一分类模型以及所述第二分类模型进行迭代。
具体地,服务器对第一分类模型以及第二分类模型进行迭代可以是基于个训练数据以及对应的分类指标,分别对第一分类模型以及第二分类模型进行迭代,或者也可以是根据训练数据、各训练数据对应的第一分类指标、第二分类指标以及分类指标,分别对第一分类模型以及第二分类模型进行迭代训练。
可选地,服务器在对正样本数据集以及负样本数据集中各样本数据进行特征数据提取后,可以将提取的特征数据分为两部分,即训练数据集以及验证数据集,并通过训练数据集进行模型的训练,通过验证数据集对训练后的模型进行验证,以评价分类模型的性能指标。
可选地,服务器在进行训练的过程中,可以通过网格搜索(Grid Search)的方式对模型进行训练,以对分类模型的参数列表进行穷举搜索,对各种不同情况进行训练,以得到分类模型的最优参数。
上述实施例中,通过分别对第一分类模型以及第二分类模型进行迭代训练,使得训练后的模型能够准确的对备选地址的特征数据进行分类,实现智能化的从备选地址中确定目标地址,提升目标地址确定的智能化程度。
应该理解的是,虽然图2-5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2-5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6所示,提供了一种目标地址确定装置,可以包括:获取模块100、特征数据提取模块200、分类处理模块300和目标地址选取模块400,其中:
获取模块100,用于获取备选地址原始数据。
特征数据提取模块200,用于对各备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据。
分类处理模块300,用于通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标。
目标地址选取模块400,用于基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。
在其中一个实施例中,特征数据提取模块200可以包括:
初始特征数据选取子模块,用于基于预设特征提取模板,从各备选地址原始数据中提取出各备选地址对应的初始特征数据。
特征数据预处理子模块,用于分别对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据。
在其中一个实施例中,特征数据预处理子模块可以包括:
分类单元,用于基于初始特征数据中各初始特征子数据的数据类型,对各初始特征子数据进行分类,得到第一类别特征数据以及数字特征数据。
哈希运算与第一分桶计算单元,用于分别对数字特征数据中的各初始特征子数据进行哈希运算,得到对应的哈希值,并基于各哈希值进行分桶计算,得到数字特征数据中各初始特征子数据对应的第二类别特征数据。
交叉处理单元,用于将第一类别特征数据对应的各初始特征子数据与第二类别特征数据进行交叉处理,得到对应初始特征数据的特征交叉数据。
第二分桶计算单元,用于对特征交叉数据进行分桶计算,得到对应备选地址的特征数据。
在其中一个实施例中,分类处理模块300可以包括:
第一分类处理子模块,用于分别对各特征数据进行第一分类处理,得到对应各特征数据的第一分类指标,并基于各第一分类指标得到各特征数据的类别特征。
特征数据组生成子模块,用于根据各特征数据以及各特征数据的类别特征,得到对应各特征数据的特征数据组。
第二分类处理子模块,用于分别对各特征数据组进行第二分类处理,得到对应各特征数据的第二分类指标。
分类指标生成子模块,用于根据第一分类指标以及第二分类指标,得到各备选地址对应的分类指标。
在其中一个实施例中,分类模型可以包括第一分类模型以及第二分类模型,上述装置还包括训练模块,用于对分类模型进行训练,训练模块可以包括:
正样本数据集获取子模块,用于获取已投放地址数据,标记为正样本数据集。
负样本数据集获取子模块,用于从备选地址原始数据中随机确定与正样本数据对应数量的备选地址原始数据,并标记为负样本数据集。
训练数据集生成子模块,用于分别对正样本数据集以及负样本数据集中各样本数据进行特征数据提取,得到训练数据集,训练数据集中各训练数据携带有样本标识。
类别特征生成子模块,用于通过训练数据集对第一分类模型进行分类训练,得到各训练数据的第一分类指标,并基于各训练数据的第一分类指标得到各训练数据的类别特征。
第二分类指标生成子模块,用于基于训练数据集以及各训练数据的类别特征,对第二分类模型进行分类训练,以得到对应各训练数据的第二分类指标。
分类指标生成子模块,用于根据第一分类指标以及第二分类指标,得到对应各训练数据的分类指标。
迭代子模块,用于根据各训练数据的样本标识以及分类指标,对第一分类模型以及第二分类模型进行迭代更新,以得到训练后的分类模型。
关于目标地址确定装置的具体限定可以参见上文中对于目标地址确定方法的限定,在此不再赘述。上述目标地址确定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7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备选地址原始数据、特征数据、分类指标数据以及分类指标等数据。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目标地址确定方法。
本领域技术人员可以理解,图7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以下步骤:获取备选地址原始数据;对各备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据;通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标;基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。
在其中一个实施例中,处理器执行计算机程序时实现对各备选地址原始数据进行特征数据提取,可以包括:基于预设特征提取模板,从各备选地址原始数据中提取出各备选地址对应的初始特征数据;分别对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据。
在其中一个实施例中,处理器执行计算机程序时实现对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据,可以包括:基于初始特征数据中各初始特征子数据的数据类型,对各初始特征子数据进行分类,得到第一类别特征数据以及数字特征数据;分别对数字特征数据中的各初始特征子数据进行哈希运算,得到对应的哈希值,并基于各哈希值进行分桶计算,得到数字特征数据中各初始特征子数据对应的第二类别特征数据;将第一类别特征数据对应的各初始特征子数据与第二类别特征数据进行交叉处理,得到对应初始特征数据的特征交叉数据;对特征交叉数据进行分桶计算,得到对应备选地址的特征数据。
在其中一个实施例中,处理器执行计算机程序时实现通过预先训练的分类模型对各备选地址对应的特征数据进行特征分类,得到各备选地址对应的分类指标,可以包括:分别对各特征数据进行第一分类处理,得到对应各特征数据的第一分类指标,并基于各第一分类指标得到各特征数据的类别特征;根据各特征数据以及各特征数据的类别特征,得到对应各特征数据的特征数据组;分别对各特征数据组进行第二分类处理,得到对应各特征数据的第二分类指标;根据第一分类指标以及第二分类指标,得到各备选地址对应的分类指标。
在其中一个实施例中,分类模型可以包括第一分类模型以及第二分类模型,处理器执行计算机程序时实现对分类模型的训练可以包括:获取已投放地址数据,标记为正样本数据集;从备选地址原始数据中随机确定与正样本数据对应数量的备选地址原始数据,并标记为负样本数据集;分别对正样本数据集以及负样本数据集中各样本数据进行特征数据提取,得到训练数据集,训练数据集中各训练数据携带有样本标识;通过训练数据集对第一分类模型进行分类训练,得到各训练数据的第一分类指标,并基于各训练数据的第一分类指标得到各训练数据的类别特征;基于训练数据集以及各训练数据的类别特征,对第二分类模型进行分类训练,以得到对应各训练数据的第二分类指标;根据第一分类指标以及第二分类指标,得到对应各训练数据的分类指标;根据各训练数据的样本标识以及分类指标,对第一分类模型以及第二分类模型进行迭代更新,以得到训练后的分类模型。
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以下步骤:获取备选地址原始数据;对各备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据;通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标;基于各备选地址对应的分类指标,对各备选地址进行排序,并从排序后的备选地址中选取预设数量的备选地址为目标地址。
在其中一个实施例中,计算机程序被处理器执行时实现对各备选地址原始数据进行特征数据提取,可以包括:基于预设特征提取模板,从各备选地址原始数据中提取出各备选地址对应的初始特征数据;分别对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据。
在其中一个实施例中,计算机程序被处理器执行时实现对各备选地址对应的初始特征数据进行特征数据预处理,得到对应各备选地址的特征数据,可以包括:基于初始特征数据中各初始特征子数据的数据类型,对各初始特征子数据进行分类,得到第一类别特征数据以及数字特征数据;分别对数字特征数据中的各初始特征子数据进行哈希运算,得到对应的哈希值,并基于各哈希值进行分桶计算,得到数字特征数据中各初始特征子数据对应的第二类别特征数据;将第一类别特征数据对应的各初始特征子数据与第二类别特征数据进行交叉处理,得到对应初始特征数据的特征交叉数据;对特征交叉数据进行分桶计算,得到对应备选地址的特征数据。
在其中一个实施例中,计算机程序被处理器执行时实现通过预先训练的分类模型对各备选地址对应的特征数据进行特征分类,得到各备选地址对应的分类指标,可以包括:分别对各特征数据进行第一分类处理,得到对应各特征数据的第一分类指标,并基于各第一分类指标得到各特征数据的类别特征;根据各特征数据以及各特征数据的类别特征,得到对应各特征数据的特征数据组;分别对各特征数据组进行第二分类处理,得到对应各特征数据的第二分类指标;根据第一分类指标以及第二分类指标,得到各备选地址对应的分类指标。
在其中一个实施例中,分类模型可以包括第一分类模型以及第二分类模型,计算机程序被处理器执行时实现对分类模型的训练可以包括:获取已投放地址数据,标记为正样本数据集;从备选地址原始数据中随机确定与正样本数据对应数量的备选地址原始数据,并标记为负样本数据集;分别对正样本数据集以及负样本数据集中各样本数据进行特征数据提取,得到训练数据集,训练数据集中各训练数据携带有样本标识;通过训练数据集对第一分类模型进行分类训练,得到各训练数据的第一分类指标,并基于各训练数据的第一分类指标得到各训练数据的类别特征;基于训练数据集以及各训练数据的类别特征,对第二分类模型进行分类训练,以得到对应各训练数据的第二分类指标;根据第一分类指标以及第二分类指标,得到对应各训练数据的分类指标;根据各训练数据的样本标识以及分类指标,对第一分类模型以及第二分类模型进行迭代更新,以得到训练后的分类模型。
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)
1.一种目标地址确定方法,其特征在于,所述方法包括:
获取备选地址原始数据;
对各所述备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据;
通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标;
基于各备选地址对应的分类指标,对各所述备选地址进行排序,并从排序后的所述备选地址中选取预设数量的备选地址为目标地址。
2.根据权利要求1所述的方法,其特征在于,所述对各所述备选地址原始数据进行特征数据提取,包括:
基于预设特征提取模板,从各所述备选地址原始数据中提取出各所述备选地址对应的初始特征数据;
分别对各所述备选地址对应的初始特征数据进行特征数据预处理,得到对应各所述备选地址的特征数据。
3.根据权利要求2所述的方法,其特征在于,所述对各所述备选地址对应的初始特征数据进行特征数据预处理,得到对应各所述备选地址的特征数据,包括:
基于所述初始特征数据中各初始特征子数据的数据类型,对各所述初始特征子数据进行分类,得到第一类别特征数据以及数字特征数据;
分别对所述数字特征数据中的各初始特征子数据进行哈希运算,得到对应的哈希值,并基于各所述哈希值进行分桶计算,得到所述数字特征数据中各初始特征子数据对应的第二类别特征数据;
将所述第一类别特征数据对应的各初始特征子数据与所述第二类别特征数据进行交叉处理,得到对应所述初始特征数据的特征交叉数据;
对所述特征交叉数据进行分桶计算,得到对应所述备选地址的特征数据。
4.根据权利要求1所述的方法,其特征在于,所述通过预先训练的分类模型对各备选地址对应的特征数据进行特征分类,得到各备选地址对应的分类指标,包括:
分别对各所述特征数据进行第一分类处理,得到对应各所述特征数据的第一分类指标,并基于各第一分类指标得到各所述特征数据的类别特征;
根据各所述特征数据以及各所述特征数据的类别特征,得到对应各所述特征数据的特征数据组;
分别对各特征数据组进行第二分类处理,得到对应各所述特征数据的第二分类指标;
根据所述第一分类指标以及所述第二分类指标,得到各所述备选地址对应的分类指标。
5.根据权利要求1所述的方法,其特征在于,所述基于各备选地址对应的分类指标,对各所述备选地址进行排序之前,所述方法还包括:
分别判断各备选地址对应的分类指标是否大于预设指标阈值;
当备选地址对应的分类指标小于或等于预设指标阈值时,确定所述备选地址为不可选地址;
当备选地址对应的分类指标大于预设指标阈值时,确定所述备选地址为可选地址;
所述基于各备选地址对应的分类指标,对各所述备选地址进行排序,并从排序后的所述备选地址中选取预设数量的备选地址为目标地址,包括:
基于各可选地址对应的分类指标,对各所述可选地址进行排序,并从排序后的所述可选地址中选取预设数量的可选地址为目标地址。
6.根据权利要求1所述的方法,其特征在于,所述分类模型包括第一分类模型以及第二分类模型,所述分类模型的训练方式包括:
获取已投放地址数据,标记为正样本数据集;
从所述备选地址原始数据中随机确定与所述正样本数据对应数量的备选地址原始数据,并标记为负样本数据集;
分别对所述正样本数据集以及所述负样本数据集中各样本数据进行特征数据提取,得到训练数据集,所述训练数据集中各训练数据携带有样本标识;
通过所述训练数据集对所述第一分类模型进行分类训练,得到各训练数据的第一分类指标,并基于各训练数据的第一分类指标得到各训练数据的类别特征;
基于所述训练数据集以及各训练数据的类别特征,对第二分类模型进行分类训练,以得到对应各训练数据的第二分类指标;
根据所述第一分类指标以及所述第二分类指标,得到对应各训练数据的分类指标;
根据各训练数据的样本标识以及分类指标,对所述第一分类模型以及所述第二分类模型进行迭代更新,以得到训练后的分类模型。
7.一种目标地址确定装置,其特征在于,包括:
获取模块,用于获取备选地址原始数据;
特征数据提取模块,用于对各所述备选地址原始数据进行特征数据提取,得到对应各备选地址的特征数据;
分类处理模块,用于通过预先训练的分类模型对各备选地址的特征数据进行分类处理,得到各备选地址对应的分类指标;
目标地址选取模块,用于基于各备选地址对应的分类指标,对各所述备选地址进行排序,并从排序后的所述备选地址中选取预设数量的备选地址为目标地址。
8.根据权利要求7所述的装置,其特征在于,所述特征数据提取模块,包括:
初始特征数据选取子模块,用于基于预设特征提取模板,从各所述备选地址原始数据中提取出各所述备选地址对应的初始特征数据;
特征数据预处理子模块,用于分别对各所述备选地址对应的初始特征数据进行特征数据预处理,得到对应各所述备选地址的特征数据。
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 |
---|---|---|---|
CN202010035885.4A CN111210158B (zh) | 2020-01-14 | 2020-01-14 | 目标地址确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035885.4A CN111210158B (zh) | 2020-01-14 | 2020-01-14 | 目标地址确定方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210158A true CN111210158A (zh) | 2020-05-29 |
CN111210158B CN111210158B (zh) | 2023-07-18 |
Family
ID=70785407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035885.4A Active CN111210158B (zh) | 2020-01-14 | 2020-01-14 | 目标地址确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210158B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932302A (zh) * | 2020-07-31 | 2020-11-13 | 中国工商银行股份有限公司 | 一种区域中业务站点数量的确定方法、装置、设备及*** |
CN112069635A (zh) * | 2020-09-01 | 2020-12-11 | 上海钧正网络科技有限公司 | 一种换电柜的部署方法、装置、介质及电子设备 |
CN113360788A (zh) * | 2021-05-07 | 2021-09-07 | 深圳依时货拉拉科技有限公司 | 一种地址推荐方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965920A (zh) * | 2015-07-08 | 2015-10-07 | 百度在线网络技术(北京)有限公司 | 用于确定目标地址的方法和装置 |
CN109388634A (zh) * | 2018-09-18 | 2019-02-26 | 平安科技(深圳)有限公司 | 地址信息的处理方法、终端设备及计算机可读存储介质 |
CN109635056A (zh) * | 2018-11-16 | 2019-04-16 | 海南电网有限责任公司信息通信分公司 | 用电地址数据处理方法、装置、计算机设备和存储介质 |
CN110392122A (zh) * | 2018-04-16 | 2019-10-29 | 腾讯大地通途(北京)科技有限公司 | 地址类型的确定方法和装置、存储介质、电子装置 |
CN110674636A (zh) * | 2019-09-02 | 2020-01-10 | 中国南方电网有限责任公司 | 一种用电行为分析方法 |
-
2020
- 2020-01-14 CN CN202010035885.4A patent/CN111210158B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965920A (zh) * | 2015-07-08 | 2015-10-07 | 百度在线网络技术(北京)有限公司 | 用于确定目标地址的方法和装置 |
CN110392122A (zh) * | 2018-04-16 | 2019-10-29 | 腾讯大地通途(北京)科技有限公司 | 地址类型的确定方法和装置、存储介质、电子装置 |
CN109388634A (zh) * | 2018-09-18 | 2019-02-26 | 平安科技(深圳)有限公司 | 地址信息的处理方法、终端设备及计算机可读存储介质 |
CN109635056A (zh) * | 2018-11-16 | 2019-04-16 | 海南电网有限责任公司信息通信分公司 | 用电地址数据处理方法、装置、计算机设备和存储介质 |
CN110674636A (zh) * | 2019-09-02 | 2020-01-10 | 中国南方电网有限责任公司 | 一种用电行为分析方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932302A (zh) * | 2020-07-31 | 2020-11-13 | 中国工商银行股份有限公司 | 一种区域中业务站点数量的确定方法、装置、设备及*** |
CN111932302B (zh) * | 2020-07-31 | 2024-02-13 | 中国工商银行股份有限公司 | 一种区域中业务站点数量的确定方法、装置、设备及*** |
CN112069635A (zh) * | 2020-09-01 | 2020-12-11 | 上海钧正网络科技有限公司 | 一种换电柜的部署方法、装置、介质及电子设备 |
CN112069635B (zh) * | 2020-09-01 | 2024-05-14 | 上海钧正网络科技有限公司 | 一种换电柜的部署方法、装置、介质及电子设备 |
CN113360788A (zh) * | 2021-05-07 | 2021-09-07 | 深圳依时货拉拉科技有限公司 | 一种地址推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111210158B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711110B (zh) | 保险产品推荐方法、装置、计算机设备和存储介质 | |
CN109872036B (zh) | 基于分类算法的任务分配方法、装置及计算机设备 | |
CN105718493B (zh) | 基于决策树的搜索结果排序方法及其装置 | |
CN111210158B (zh) | 目标地址确定方法、装置、计算机设备和存储介质 | |
CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
CN112241494B (zh) | 基于用户行为数据的关键信息推送方法及装置 | |
CN109325118B (zh) | 不平衡样本数据预处理方法、装置和计算机设备 | |
CN109102159B (zh) | 旅客评级模型生成方法、装置、计算机设备和存储介质 | |
CN109816043B (zh) | 用户识别模型的确定方法、装置、电子设备及存储介质 | |
CN110310114A (zh) | 对象分类方法、装置、服务器及存储介质 | |
CN110009045A (zh) | 物联网终端的识别方法和装置 | |
CN113408561A (zh) | 模型生成方法、目标检测方法、装置、设备及存储介质 | |
CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN112529112B (zh) | 一种矿物识别的方法和装置 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN111352926A (zh) | 数据处理的方法、装置、设备及可读存储介质 | |
CN111832599B (zh) | 一种基于机器学习随机森林的加油站预测方法 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
CN112508363A (zh) | 基于深度学习的电力信息***状态分析方法及装置 | |
CN110135511B (zh) | 电力***时间断面的确定方法、装置以及电子设备 | |
CN108305174B (zh) | 资源处理方法、装置、存储介质和计算机设备 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN114254762A (zh) | 可解释性机器学习模型构建方法、装置和计算机设备 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 |
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 |