CN111831967A - 一种到店识别方法、装置、电子设备及介质 - Google Patents
一种到店识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111831967A CN111831967A CN202010567256.6A CN202010567256A CN111831967A CN 111831967 A CN111831967 A CN 111831967A CN 202010567256 A CN202010567256 A CN 202010567256A CN 111831967 A CN111831967 A CN 111831967A
- Authority
- CN
- China
- Prior art keywords
- probability
- target user
- target
- data
- store
- 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 46
- 230000006399 behavior Effects 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000000446 fuel Substances 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种到店识别方法、装置、电子设备及介质,其中,该方法包括:基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率;若所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。本申请可以提高用户到店识别的准确性和降低到店识别的成本。
Description
技术领域
本申请涉及数据分析处理技术领域,具体而言,涉及一种到店识别方法、装置、电子设备及介质。
背景技术
到店识别是识别用户到达了线下某个物理店铺的过程。O2O(Online To Offline,线上到线下)是指将线下的商务机会与互联网结合,让互联网成为线下交易的平台。O2O的核心是促成线上用户和线下商品和服务的交易,如果线上交易平台能够识别处于线下店铺中的用户,那么就可以采取较低成本的方式,促成用户和商家完成更多交易。
现有的方案中一般基于定位技术进行到店识别,例如GPS定位技术、超宽带定位、惯性定位、Wi-Fi指纹定位,等等。但是,GPS定位的信号较弱,而且会受到墙体的阻隔和反射,很难在室内定位;超宽带定位需要提前在已知位置布置好锚节点和桥节点,使用成本较高;惯性定位需要依赖陀螺仪和加速计,无法单独使用,不适合在移动互联网上使用;Wi-Fi指纹定位需要花费较大人力成本来提前采集和更新指纹库,且没有考虑用户是否处于驻留状态,容易将路过店铺的用户识别为到店状态。由此可见,现有的到店识别方案存在成本较高且识别准确性欠佳等技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种到店识别方法、装置、电子设备及介质,可以提高用户到店识别的准确性和降低到店识别的成本。
根据本申请的第一方面,提供一种到店识别方法,包括:
基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率;
若所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。
在一种可能的实施方式中,基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率,包括:
基于目标用户的车辆行驶轨迹数据预测所述目标用户到达目标门店的第一概率;
基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;
基于目标用户的在线访问服务行为数据预测所述目标用户到达目标门店的第三概率;
基于目标用户的车牌识别数据预测所述目标用户到达目标门店的第四概率;
基于所述第一概率、第二概率、第三概率和第四概率中的至少一项,预测所述目标用户到达目标门店的概率。
在一种可能的实施方式中,基于所述第一概率、第二概率、第三概率和第四概率中的至少一项,预测所述目标用户到达目标门店的概率,包括:
为所述第一概率、第二概率、第三概率和第四概率分别设置权重;
基于所述第一概率、第二概率、第三概率和第四概率中的至少一项及其相应的权重,预测所述目标用户到达目标门店的概率。
在一种可能的实施方式中,为所述第一概率、第二概率、第三概率和第四概率分别设置权重,包括:
以参考用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据作为样本集,训练机器学习模型;
基于训练好的机器学习模型拟合所述第一概率、第二概率、第三概率和第四概率分别对应的权重。
在一种可能的实施方式中,基于目标用户的车辆行驶轨迹数据预测所述目标用户到达目标门店的第一概率,包括:
基于目标用户的车辆行驶轨迹数据和目标门店的位置,预测所述目标用户到达目标门店的第一概率。
在一种可能的实施方式中,所述目标用户的车辆行驶数据包括:上次使用目标门店的服务时的里程与本次里程的差值、车辆保养建议公里数、剩余油量和剩余电量中的至少一项。
在一种可能的实施方式中,基于目标用户的在线访问服务行为数据预测所述目标用户到达目标门店的第三概率,包括:
基于目标用户的在线访问服务行为数据,统计所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项;
基于统计的所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项,预测所述目标用户到达目标门店的第三概率。
在一种可能的实施方式中,基于目标用户的车牌识别数据预测所述目标用户到达的第四概率,包括:
获取目标门店所使用的B端服务***对目标用户的车辆进行车牌识别后得到的车牌识别数据;
基于目标用户的车牌识别数据预测所述目标用户到达的第四概率。
根据本申请的第二方面,提供一种到店识别装置,包括:
预测模块,用于基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率;
识别模块,用于若所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。
在一种可能的实施方式中,所述预测模块包括:
第一预测单元,用于基于目标用户的车辆行驶轨迹数据预测所述目标用户到达目标门店的第一概率;
第二预测单元,用于基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;
第三预测单元,用于基于目标用户的在线访问服务行为数据预测所述目标用户到达目标门店的第三概率;
第四预测单元,用于基于目标用户的车牌识别数据预测所述目标用户到达目标门店的第四概率;
第五预测单元,用于基于所述第一概率、第二概率、第三概率和第四概率中的至少一项,预测所述目标用户到达目标门店的概率。
在一种可能的实施方式中,所述第五预测单元具体用于:
为所述第一概率、第二概率、第三概率和第四概率分别设置权重;
基于所述第一概率、第二概率、第三概率和第四概率中的至少一项及其相应的权重,预测所述目标用户到达目标门店的概率。
在一种可能的实施方式中,所述第五预测单元具体用于:
以参考用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据作为样本集,训练机器学习模型;
基于训练好的机器学习模型拟合所述第一概率、第二概率、第三概率和第四概率分别对应的权重。
在一种可能的实施方式中,所述第一预测单元具体用于:基于目标用户的车辆行驶轨迹数据和目标门店的位置,预测所述目标用户到达目标门店的第一概率。
在一种可能的实施方式中,所述第二预测单元具体用于:基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;所述目标用户的车辆行驶数据包括:上次使用目标门店的服务时的里程与本次里程的差值、车辆保养建议公里数、剩余油量和剩余电量中的至少一项。
在一种可能的实施方式中,所述第三预测单元具体用于:
基于目标用户的在线访问服务行为数据,统计所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项;
基于统计的所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项,预测所述目标用户到达目标门店的第三概率。
在一种可能的实施方式中,所述第四预测单元具体用于:
获取目标门店所使用的B端服务***对目标用户的车辆进行车牌识别后得到的车牌识别数据;
基于目标用户的车牌识别数据预测所述目标用户到达的第四概率。
根据本申请的第三方面,提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行本申请实施例第一方面,第一方面中任一种可能的实施方式中的步骤。
根据本申请的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行本申请实施例第一方面,第一方面中任一种可能的实施方式中的步骤。
本申请实施例提供的一种到店识别方法,首先基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率。然后若判断出所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。本申请依据的是服务器中已有的数据(车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据)进行到店识别,一方面,本申请无需采用额外的成本较高的设备进行到店识别,可以降低到店识别的成本;另一方面,相较于传统方案中较为单一且准确率不高的定位数据进行到店识别,本申请采用多种数据进行到店识别,可以提高用户到店识别的准确性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例提供的一种到店识别服务***的架构示意图;
图2示出了本申请实施例提供的一种到店识别方法的流程图;
图3示出了本申请实施例提供的一种到店识别方法中,预测目标用户到达目标门店的概率的具体方法的流程图;
图4示出了本申请实施例提供的一种到店识别装置的结构示意图;
图5示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“网约车用户到店识别”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“网约车用户到店识别”进行描述,但是应该理解,这仅是一个示例性实施例。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务请求方”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用,以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。在本申请中,“乘客”和“乘客终端”可以互换使用,“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用,以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以基于全球定位***(Global Positioning System,GPS)、全球导航卫星***(Global Navigation Satellite System,GLONASS),罗盘导航***(COMPASS)、伽利略定位***、准天顶卫星***(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等,或其任意组合。一个或多个上述定位***可以在本申请中互换使用。
图1是本申请实施例提供的一种到店识别服务***的架构示意图。例如,到店识别服务***可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的到店识别服务、或其任意组合的到店识别服务平台。到店识别服务***可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150中的一种或多种。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从服务请求方终端130获得的服务请求来确定目标车辆。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
在一些实施例中,服务器110可以在云平台上实现。仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中,服务***中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如,服务器110可以经由网络120从服务请求方终端130获取服务请求。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched TelephoneNetwork,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换节点,服务***的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求方终端130和服务提供方终端140对应的设备类型可以是移动设备,比如可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等,或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中,机动车辆中的内置设备可以包括车载计算机、车载电视等。
在一些实施例中,数据库150可以连接到网络120以与到店识别服务***中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等)通信。到店识别服务***中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到到店识别服务***中的一个或多个组件,或者,数据库150也可以是服务器110的一部分。
下面结合上述图1示出的到店识别服务***中描述的内容,对本申请实施例提供的到店识别方案进行详细说明。
传统方案中,一般基于定位技术进行到店识别,例如GPS定位技术、超宽带定位、惯性定位、Wi-Fi指纹定位,等等。但是,GPS定位的信号较弱,而且会受到墙体的阻隔和反射,很难在室内定位;超宽带定位需要提前在已知位置布置好锚节点和桥节点,使用成本较高;惯性定位需要依赖陀螺仪和加速计,无法单独使用,不适合在移动互联网上使用;Wi-Fi指纹定位需要花费较大人力成本来提前采集和更新指纹库,且没有考虑用户是否处于驻留状态,容易将路过店铺的用户识别为到店状态。由此可见,传统的到店识别方案存在成本较高且识别准确性欠佳等技术问题。基于此,本申请实施例提供了一种到店识别方法、装置、电子设备及介质,下面通过实施例进行描述。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种到店识别方法进行详细介绍。
请参照图2,图2为本申请实施例提供的一种到店识别方法的流程图,该方法可以由到店识别服务***中的服务器110来执行,具体执行过程为:
步骤S201、基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率;
步骤S202、若所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。
在步骤S201之前还包括数据获取步骤,所述数据获取步骤包括:获取目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项。
在数据获取步骤中,目标用户指的是在网约车平台上注册了的用户,比如:以车主身份注册的网约车司机用户,以乘客身份注册的乘客用户。
关于获取目标用户的车辆行驶轨迹数据,首先车辆内的定位***实时采集目标用户所驾驶车辆或所乘坐车辆的定位数据,并将采集到的定位数据实时上传至服务器110中。其次服务器110根据若干定位数据绘制车辆行驶轨迹数据并存储。最后服务器110获取自身存储的目标用户的车辆行驶轨迹数据。其中,车辆行驶轨迹数据指的是目标用户所驾驶车辆或所乘坐车辆在行驶过程中产生的轨迹数据。
关于获取目标用户的车辆行驶数据,车辆行驶数据可以包括:上次使用目标门店的服务时的里程与本次里程的差值、车辆保养建议公里数、剩余油量和剩余电量中的至少一项。车辆内的里程表记录车辆里程数据,油量监控装置监控油量数据,电量监控装置监控电量数据。服务器110查询车辆内的里程表记录的目标用户上次使用目标门店的服务时的里程和本次里程,并计算上次使用目标门店的服务时的里程与本次里程的差值。服务器110查询油量监控装置中监测到的剩余油量,和/或服务器110查询电量监控装置中监测到的剩余电量。关于车辆保养建议公里数,通常日韩车系的车辆保养建议公里数周期为5000公里、欧美车系大多为7500公里以上甚至15000公里以上。本实施例不限于此,服务器110还可以采用其他方式确定车辆保养建议公里数周期。
关于获取目标用户的在线访问服务行为数据,假设目标用户为网约车司机用户,服务器110通过监控服务提供方终端140的操作数据获取目标用户的在线访问服务行为数据。具体地,服务提供方终端140是网约车司机用户对应的用户端,网约车司机用户可以使用该用户端向服务器110请求服务,以及为乘客用户提供服务。其中,在线访问服务行为数据可以包括:在预设时间段内操作服务提供方终端140的目标服务板块的次数、点击率和停留时长中的至少一项。假设目标用户为乘客用户,服务器110通过监控服务请求方终端130的操作数据获取目标用户的在线访问服务行为数据。具体地,服务请求方终端130是乘客用户对应的用户端,乘客用户可以使用该用户端向服务器110或者服务提供方终端140请求服务。其中,在线访问服务行为数据可以包括:在预设时间段内操作服务请求方终端130的目标服务板块的次数、点击率和停留时长中的至少一项。
关于获取目标用户的车牌识别数据,服务提供方终端140也可以指门店所使用的B端服务***,为了打造B端生态,为商家提供了B端服务***。B端服务***为面向商家的服务***,是网约车生态布局中的重要环节。在本实施例中,利用其B端服务***的车牌识别功能来对目标用户的车辆进行车牌识别,并得到车牌识别数据。门店所使用的B端服务***将得到的车牌识别数据上传至服务器110。其中,车牌识别数据指的是门店所使用的B端服务***对目标用户的车辆进行车牌识别后得到的车牌识别数据。
在步骤S201中,基于上述获取到的目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率。具体地,如图3所示,步骤S201可以包括如下子步骤:
步骤S2011、基于目标用户的车辆行驶轨迹数据预测所述目标用户到达目标门店的第一概率;
步骤S2012、基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;
步骤S2013、基于目标用户的在线访问服务行为数据预测所述目标用户到达目标门店的第三概率;
步骤S2014、基于目标用户的车牌识别数据预测所述目标用户到达目标门店的第四概率;
步骤S2015、基于所述第一概率、第二概率、第三概率和第四概率中的至少一项,预测所述目标用户到达目标门店的概率。
在上述步骤S2011中,基于目标用户的车辆行驶轨迹数据和目标门店的位置,预测所述目标用户到达目标门店的第一概率。对目标用户的车辆行驶轨迹数据进行分析后得出目标用户经过的门店,如果目标用户经过的门店中包括目标门店,那么目标用户到达该目标门店的概率就会较高。在一种可能的实施方式中,从训练样本集中学习获得第一概率预测模型,获取目标用户的特征数据集,将目标用户的特征数据集作为第一概率预测模型的输入,通过第一概率预测模型获得目标用户到达目标门店的第一概率。可选的,也可以根据主观经验预测目标用户到达目标门店的第一概率。
在上述步骤S2012中,目标用户的车辆行驶数据包括:上次使用目标门店的服务时的里程与本次里程的差值、车辆保养建议公里数、剩余油量(比如油箱还剩20%的油量)和剩余电量(充电还剩30%的电量)中的至少一项。举例来说,如果上次使用目标门店的服务时的里程与本次里程的差值较大,那么说明目标用户需要再次使用目标门店的服务的概率非常大,目标用户到达该目标门店的概率就会较高。如果车辆保养建议公里数达到目标公里数,那么目标用户需要再次维修保养车辆的概率非常大,目标用户到达维修保养门店的概率就会较高。如果油箱还剩20%的油量,说明用户近期需要给车辆加油,那么目标用户到达加油站的概率就会较高。如果充电还剩30%的电量,说明用户近期需要给车辆充电,那么目标用户到达充电站的概率就会较高。在一种可能的实施方式中,从训练样本集中学习获得第二概率预测模型,获取目标用户的特征数据集,将目标用户的特征数据集作为第二概率预测模型的输入,通过第二概率预测模型获得目标用户到达目标门店的第二概率。可选的,也可以根据主观经验预测目标用户到达目标门店的第二概率。
在上述步骤S2013中,基于目标用户的在线访问服务行为数据,统计所述目标用户在预设时间段内操作服务请求方终端130或服务提供方终端140的目标服务板块的次数、点击率和停留时长中的至少一项;基于统计的所述目标用户在预设时间段内操作服务请求方终端130或服务提供方终端140的目标服务板块的次数、点击率和停留时长中的至少一项,预测所述目标用户到达目标门店的第三概率。如果目标用户在预设时间段内操作服务请求方终端130或服务提供方终端140的目标服务板块的次数比较多、点击率比较高、停留时长比较长,说明目标用户在预设时间段内对于目标服务板块的服务的兴趣度较高,那么目标用户到达该目标服务板块的服务所在的目标门店的概率就会较高。在一种可能的实施方式中,从训练样本集中学习获得第三概率预测模型,获取目标用户的特征数据集,将目标用户的特征数据集作为第三概率预测模型的输入,通过第三概率预测模型获得目标用户到达目标门店的第三概率。可选的,也可以根据主观经验预测目标用户到达目标门店的第三概率。
在上述步骤S2014中,获取目标门店所使用的B端服务***对目标用户的车辆进行车牌识别后得到的车牌识别数据;基于目标用户的车牌识别数据预测所述目标用户到达的第四概率。通过网约车平台给门店提供的B端服务***内的目标用户的车牌识别数据可预测出目标用户到达的概率。在一种可能的实施方式中,从训练样本集中学习获得第四概率预测模型,获取目标用户的特征数据集,将目标用户的特征数据集作为第四概率预测模型的输入,通过第四概率预测模型获得目标用户到达目标门店的第四概率。可选的,也可以根据主观经验预测目标用户到达目标门店的第四概率。
在上述步骤S2015中,为所述第一概率、第二概率、第三概率和第四概率分别设置权重;基于所述第一概率、第二概率、第三概率和第四概率中的至少一项及其相应的权重,预测所述目标用户到达目标门店的概率。
在一种可能的实施方式中,设置第一概率为p1,第二概率为p2,第三概率为p3,第四概率为p4,第一概率对应的权重为ω1,第二概率对应的权重为ω2,第三概率对应的权重为ω3,第四概率对应的权重为ω4,p1×ω1+p2×ω2+p3×ω3+p4×ω4即为预测出的目标用户到达目标门店的概率。需要说明的是,本申请实施例通过加权求和的方式预测目标用户到达目标门店的概率是为了教导本领域技术人员如何实施本发明,本申请实施例不限于此,还可以采用其他计算方式预测目标用户到达目标门店的概率。
关于权重的分配,以参考用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据作为样本集,训练机器学习模型。基于训练好的机器学习模型拟合所述第一概率、第二概率、第三概率和第四概率分别对应的权重。特别的,也可以通过经验配置权重。
在一种可能的实施方式中,以参考用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据作为样本集,训练机器学习模型的方案可以包括:初始化样本集中每种训练数据的当前权重为相同值,并获取预设的执行数量;将各种训练数据的当前特征权重确定为对应各训练数据的第一权重;针对每种训练数据,将该训练数据作为第一训练数据,并根据每种训练数据的第一权重,计算所述第一训练数据与其他各训练数据的欧式距离;根据所述第一训练数据与其他各训练数据的欧式距离,确定其他各训练数据的样本权重;根据其他各训练数据的样本权重、所述第一训练数据的第一权重、以及预先构建的多目标优化函数,确定所述第一训练数据的当前权重;判断已执行的循环次数是否为预设执行数量;如果否,返回执行所述将各种训练数据的当前权重确定为对应各训练数据的第一权重的步骤。
综上,本申请实施例提供的一种到店识别方法,首先基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率。然后若判断出所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。本申请依据的是服务器中已有的数据(车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据)进行到店识别,一方面,本申请无需采用额外的成本较高的设备进行到店识别,可以降低到店识别的成本;另一方面,相较于传统方案中较为单一且准确率不高的定位数据进行到店识别,本申请采用多种数据进行到店识别,可以提高用户到店识别的准确性。
基于相同的技术构思,本申请实施例还提供一种到店识别装置、电子设备、以及计算机存储介质等,具体可参见以下实施例。
请参照图4,为本申请实施例提供的一种到店识别装置的结构示意图。如图4所示,所述装置可以包括:
预测模块401,用于基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率;
识别模块402,用于若所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。
在一种可能的实施方式中,所述预测模块401包括:
第一预测单元,用于基于目标用户的车辆行驶轨迹数据预测所述目标用户到达目标门店的第一概率;
第二预测单元,用于基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;
第三预测单元,用于基于目标用户的在线访问服务行为数据预测所述目标用户到达目标门店的第三概率;
第四预测单元,用于基于目标用户的车牌识别数据预测所述目标用户到达目标门店的第四概率;
第五预测单元,用于基于所述第一概率、第二概率、第三概率和第四概率中的至少一项,预测所述目标用户到达目标门店的概率。
在一种可能的实施方式中,所述第五预测单元具体用于:
为所述第一概率、第二概率、第三概率和第四概率分别设置权重;
基于所述第一概率、第二概率、第三概率和第四概率中的至少一项及其相应的权重,预测所述目标用户到达目标门店的概率。
在一种可能的实施方式中,所述第五预测单元具体用于:
以参考用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据作为样本集,训练机器学习模型;
基于训练好的机器学习模型拟合所述第一概率、第二概率、第三概率和第四概率分别对应的权重。
在一种可能的实施方式中,所述第一预测单元具体用于:基于目标用户的车辆行驶轨迹数据和目标门店的位置,预测所述目标用户到达目标门店的第一概率。
在一种可能的实施方式中,所述第二预测单元具体用于:基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;所述目标用户的车辆行驶数据包括:上次使用目标门店的服务时的里程与本次里程的差值、车辆保养建议公里数、剩余油量和剩余电量中的至少一项。
在一种可能的实施方式中,所述第三预测单元具体用于:
基于目标用户的在线访问服务行为数据,统计所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项;
基于统计的所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项,预测所述目标用户到达目标门店的第三概率。
在一种可能的实施方式中,所述第四预测单元具体用于:
获取目标门店所使用的B端服务***对目标用户的车辆进行车牌识别后得到的车牌识别数据;
基于目标用户的车牌识别数据预测所述目标用户到达的第四概率。
本申请实施例公开了一种电子设备,如图5所示,包括:处理器501、存储器502和总线503,所述存储器502存储有所述处理器501可执行的机器可读指令,当电子设备运行时,所述处理器501与所述存储器502之间通过总线503通信。所述机器可读指令被所述处理器501执行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
本申请实施例所提供的一种到店识别方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种到店识别方法,其特征在于,包括:
基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率;
若所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。
2.根据权利要求1所述的方法,其特征在于,基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率,包括:
基于目标用户的车辆行驶轨迹数据预测所述目标用户到达目标门店的第一概率;
基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;
基于目标用户的在线访问服务行为数据预测所述目标用户到达目标门店的第三概率;
基于目标用户的车牌识别数据预测所述目标用户到达目标门店的第四概率;
基于所述第一概率、第二概率、第三概率和第四概率中的至少一项,预测所述目标用户到达目标门店的概率。
3.根据权利要求2所述的方法,其特征在于,基于所述第一概率、第二概率、第三概率和第四概率中的至少一项,预测所述目标用户到达目标门店的概率,包括:
为所述第一概率、第二概率、第三概率和第四概率分别设置权重;
基于所述第一概率、第二概率、第三概率和第四概率中的至少一项及其相应的权重,预测所述目标用户到达目标门店的概率。
4.根据权利要求3所述的方法,其特征在于,为所述第一概率、第二概率、第三概率和第四概率分别设置权重,包括:
以参考用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据作为样本集,训练机器学习模型;
基于训练好的机器学习模型拟合所述第一概率、第二概率、第三概率和第四概率分别对应的权重。
5.根据权利要求2所述的方法,其特征在于,所述目标用户的车辆行驶数据包括:上次使用目标门店的服务时的里程与本次里程的差值、车辆保养建议公里数、剩余油量和剩余电量中的至少一项。
6.根据权利要求2所述的方法,其特征在于,基于目标用户的在线访问服务行为数据预测所述目标用户到达目标门店的第三概率,包括:
基于目标用户的在线访问服务行为数据,统计所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项;
基于统计的所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项,预测所述目标用户到达目标门店的第三概率。
7.根据权利要求2所述的方法,其特征在于,基于目标用户的车牌识别数据预测所述目标用户到达的第四概率,包括:
获取目标门店所使用的B端服务***对目标用户的车辆进行车牌识别后得到的车牌识别数据;
基于目标用户的车牌识别数据预测所述目标用户到达的第四概率。
8.一种到店识别装置,其特征在于,包括:
预测模块,用于基于目标用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据中的至少一项,预测所述目标用户到达目标门店的概率;
识别模块,用于若所述目标用户到达目标门店的概率大于预设阈值,则识别所述目标用户到达目标门店。
9.根据权利要求8所述的装置,其特征在于,所述预测模块包括:
第一预测单元,用于基于目标用户的车辆行驶轨迹数据预测所述目标用户到达目标门店的第一概率;
第二预测单元,用于基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;
第三预测单元,用于基于目标用户的在线访问服务行为数据预测所述目标用户到达目标门店的第三概率;
第四预测单元,用于基于目标用户的车牌识别数据预测所述目标用户到达目标门店的第四概率;
第五预测单元,用于基于所述第一概率、第二概率、第三概率和第四概率中的至少一项,预测所述目标用户到达目标门店的概率。
10.根据权利要求8所述的装置,其特征在于,所述第五预测单元具体用于:
为所述第一概率、第二概率、第三概率和第四概率分别设置权重;
基于所述第一概率、第二概率、第三概率和第四概率中的至少一项及其相应的权重,预测所述目标用户到达目标门店的概率。
11.根据权利要求10所述的装置,其特征在于,所述第五预测单元具体用于:
以参考用户的车辆行驶轨迹数据、车辆行驶数据、在线访问服务行为数据和车牌识别数据作为样本集,训练机器学习模型;
基于训练好的机器学习模型拟合所述第一概率、第二概率、第三概率和第四概率分别对应的权重。
12.根据权利要求9所述的装置,其特征在于,所述第二预测单元具体用于:
基于目标用户的车辆行驶数据预测所述目标用户到达目标门店的第二概率;所述目标用户的车辆行驶数据包括:上次使用目标门店的服务时的里程与本次里程的差值、车辆保养建议公里数、剩余油量和剩余电量中的至少一项。
13.根据权利要求9所述的装置,其特征在于,所述第三预测单元具体用于:
基于目标用户的在线访问服务行为数据,统计所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项;
基于统计的所述目标用户在预设时间段内操作服务请求方终端或服务提供方终端的目标服务板块的次数、点击率和停留时长中的至少一项,预测所述目标用户到达目标门店的第三概率。
14.根据权利要求9所述的装置,其特征在于,所述第四预测单元具体用于:
获取目标门店所使用的B端服务***对目标用户的车辆进行车牌识别后得到的车牌识别数据;
基于目标用户的车牌识别数据预测所述目标用户到达的第四概率。
15.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至7任一所述方法的步骤。
16.一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上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567256.6A CN111831967A (zh) | 2020-06-19 | 2020-06-19 | 一种到店识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567256.6A CN111831967A (zh) | 2020-06-19 | 2020-06-19 | 一种到店识别方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111831967A true CN111831967A (zh) | 2020-10-27 |
Family
ID=72898101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010567256.6A Pending CN111831967A (zh) | 2020-06-19 | 2020-06-19 | 一种到店识别方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831967A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113704373A (zh) * | 2021-08-19 | 2021-11-26 | 国家计算机网络与信息安全管理中心 | 基于移动轨迹数据的用户识别方法、装置及存储介质 |
CN113705682A (zh) * | 2021-08-27 | 2021-11-26 | 微民保险代理有限公司 | 用户行为特征的处理方法及装置 |
CN114638661A (zh) * | 2022-05-20 | 2022-06-17 | 深圳联友科技有限公司 | 一种基于车辆到店频繁度的增换购意愿识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682229A (zh) * | 2017-01-09 | 2017-05-17 | 北京邮电大学 | 一种面向数据分类的特征权重确定方法及装置 |
US20180202818A1 (en) * | 2016-05-23 | 2018-07-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for distributing request for service |
CN108389074A (zh) * | 2018-01-29 | 2018-08-10 | 深圳市惠车邦汽车服务有限公司 | 一种基于车牌识别的数据处理方法及相关设备 |
US20180253092A1 (en) * | 2015-09-09 | 2018-09-06 | Tecteco Security Systems, S.L. | Secure control of unmanned vehicles |
CN110472995A (zh) * | 2019-07-08 | 2019-11-19 | 汉海信息技术(上海)有限公司 | 到店预测方法、装置、可读存储介质及电子设备 |
CN110688589A (zh) * | 2019-08-28 | 2020-01-14 | 汉海信息技术(上海)有限公司 | 到店识别方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-06-19 CN CN202010567256.6A patent/CN111831967A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253092A1 (en) * | 2015-09-09 | 2018-09-06 | Tecteco Security Systems, S.L. | Secure control of unmanned vehicles |
US20180202818A1 (en) * | 2016-05-23 | 2018-07-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for distributing request for service |
CN106682229A (zh) * | 2017-01-09 | 2017-05-17 | 北京邮电大学 | 一种面向数据分类的特征权重确定方法及装置 |
CN108389074A (zh) * | 2018-01-29 | 2018-08-10 | 深圳市惠车邦汽车服务有限公司 | 一种基于车牌识别的数据处理方法及相关设备 |
CN110472995A (zh) * | 2019-07-08 | 2019-11-19 | 汉海信息技术(上海)有限公司 | 到店预测方法、装置、可读存储介质及电子设备 |
CN110688589A (zh) * | 2019-08-28 | 2020-01-14 | 汉海信息技术(上海)有限公司 | 到店识别方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
LIUYANG 等: "A New Vehicle Arrival Prediction Model for Adaptive Signal Control in a Connected Vehicle Environment", IEEE, 16 June 2020 (2020-06-16), pages 1 - 9 * |
李琳;刘士新;唐加福;: "B2C环境下带预约时间的车辆路径问题及多目标优化蚁群算法", 控制理论与应用, no. 01, 15 January 2011 (2011-01-15), pages 90 - 96 * |
沈羽;李季;: "一种汽车维修社区店的车牌识别***应用解决方案", 现代制造技术与装备, no. 12, 15 December 2017 (2017-12-15), pages 176 - 177 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113704373A (zh) * | 2021-08-19 | 2021-11-26 | 国家计算机网络与信息安全管理中心 | 基于移动轨迹数据的用户识别方法、装置及存储介质 |
CN113704373B (zh) * | 2021-08-19 | 2023-12-05 | 国家计算机网络与信息安全管理中心 | 基于移动轨迹数据的用户识别方法、装置及存储介质 |
CN113705682A (zh) * | 2021-08-27 | 2021-11-26 | 微民保险代理有限公司 | 用户行为特征的处理方法及装置 |
CN113705682B (zh) * | 2021-08-27 | 2024-05-14 | 微民保险代理有限公司 | 用户行为特征的处理方法及装置 |
CN114638661A (zh) * | 2022-05-20 | 2022-06-17 | 深圳联友科技有限公司 | 一种基于车辆到店频繁度的增换购意愿识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019105052A1 (en) | Systems and methods for electric vehicle charging | |
AU2019272059A1 (en) | Method and system for determining transport service fee | |
CN111831967A (zh) | 一种到店识别方法、装置、电子设备及介质 | |
JP2019527871A (ja) | 到着予定時刻を決定するシステム及び方法 | |
JP6774153B2 (ja) | 不正検査を行うシステムおよび方法 | |
CN111324824B (zh) | 一种目的地推荐方法、其装置、电子设备及可读存储介质 | |
CN111105120B (zh) | 一种工单处理方法及装置 | |
CN111326015A (zh) | 一种停车点推荐方法及装置 | |
US20200193357A1 (en) | Systems and methods for allocating service requests | |
CN111353092A (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
CN111105251A (zh) | 一种信息推送方法及装置 | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN111260164A (zh) | 一种运力调度方法以及装置 | |
CN111860558A (zh) | 行程异常检测方法、装置及电子设备 | |
CN112819456A (zh) | 一种服务订单支付方法、装置、电子设备及存储介质 | |
CN110750709A (zh) | 一种服务推荐方法及装置 | |
CN111275229B (zh) | 资源模型训练方法、资源缺口预测方法、装置及电子设备 | |
CN111259119A (zh) | 一种问题推荐方法及装置 | |
CN111859176B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111753386B (zh) | 一种数据处理方法及装置 | |
CN111260423B (zh) | 订单分配方法、装置、电子设备及计算机可读存储介质 | |
CN111866073A (zh) | 服务站点推送分析方法、装置、电子设备及存储介质 | |
CN111259229A (zh) | 一种问题推荐方法及装置 | |
CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 |
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 |