CN112464970A - 区域价值评估模型处理方法、装置及计算设备 - Google Patents
区域价值评估模型处理方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112464970A CN112464970A CN201910849068.XA CN201910849068A CN112464970A CN 112464970 A CN112464970 A CN 112464970A CN 201910849068 A CN201910849068 A CN 201910849068A CN 112464970 A CN112464970 A CN 112464970A
- Authority
- CN
- China
- Prior art keywords
- value
- sample
- data
- regional
- sample data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种区域价值评估模型处理方法、装置及计算设备。其中,方法包括:获取已知价值区域的特征数据,根据已知价值区域的特征数据构建训练数据集,其中,训练数据集包含多个第一样本数据;利用预设数据标准化方法对第一样本数据进行标准化处理;通过预设特征选择方法对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据;根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型。本方案训练得到区域价值评估模型,该区域价值评估模型能够客观分析区域的区域价值,而且采用的是人工智能分析,代替了专家***,从而能够在后续预测区域的区域价值时,更客观更可靠。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种区域价值评估模型处理方法、装置及计算设备。
背景技术
现有技术中识别区域的价值主要通过以下两种方案实现:
方案一:对全网进行网格划分,统计网格数量、网格面积占比、业务流量占比、业务次数占比、移动互联网用户人数占比、重流量用户人数占比指标,然后人工划分阈值,根据阈值确定区域的价值超过阈值的即为价值区域。
方案二:以基站小区为粒度,根据用户属性、终端、业务人工指定权重计算价值,结合基站小区的流量统计及人工指定流量阈值,确定区域的价值,例如,将区域划分为高流量高价值、高流量低价值、低流量高价值、低流量低价值。
但是这两种区域价值的识别方案存在如下问题为:权重或阈值的设定大多采用专家***,不具备客观性;识别价值区域的特征,都是根据专家经验获得,使得所确定的区域价值不准确。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的区域价值评估模型处理方法、装置及计算设备。
根据本发明的一个方面,提供了一种区域价值评估模型处理方法,包括:
获取已知价值区域的特征数据,根据已知价值区域的特征数据构建训练数据集,其中,训练数据集包含多个第一样本数据,第一样本数据包括:区域价值和n个样本特征;
利用预设数据标准化方法对第一样本数据进行标准化处理;
通过预设特征选择方法对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据,其中,第二样本数据包括:区域价值和m个样本特征,m小于n;
根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型。
根据本发明的另一方面,提供了一种区域价值评估模型处理装置,包括:
构建模块,适于获取已知价值区域的特征数据,根据已知价值区域的特征数据构建训练数据集,其中,训练数据集包含多个第一样本数据,第一样本数据包括:区域价值和n个样本特征;
标准化处理模型,适于利用预设数据标准化装置对第一样本数据进行标准化处理;
特征选择处理模块,适于通过预设特征选择装置对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据,其中,第二样本数据包括:区域价值和m个样本特征,m小于n;
训练模块,适于根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型。
根据本发明的又一方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行上述区域价值评估模型处理方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述区域价值评估模型处理方法对应的操作。
根据本发明提供的方案,获取已知价值区域的特征数据,根据已知价值区域的特征数据构建训练数据集,其中,训练数据集包含多个第一样本数据,第一样本数据包括:区域价值和n个样本特征;利用预设数据标准化方法对第一样本数据进行标准化处理;通过预设特征选择方法对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据,其中,第二样本数据包括:区域价值和m个样本特征,m小于n;根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型。本方案训练得到区域价值评估模型,该区域价值评估模型能够客观分析区域的区域价值,而且采用的是人工智能分析,代替了专家***,从而能够在后续预测区域的区域价值时,更客观更可靠。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1A示出了根据本发明一个实施例的区域价值评估模型处理方法的流程示意图;
图1B示出了SVM多分类器的结构示意图;
图2示出了根据本发明一个实施例的区域价值预测方法的流程示意图;
图3示出了根据本发明一个实施例的区域价值评估模型处理装置的结构示意图;
图4示出了根据本发明一个实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1A示出了根据本发明一个实施例的区域价值评估模型处理方法的流程示意图。如图1A所示,该方法包括以下步骤:
步骤S101,获取已知价值区域的特征数据,根据已知价值区域的特征数据构建训练数据集。
本实施例提供的方法主要是训练区域价值评估模型,因此,需要先构建训练数据集,具体地,存在一些已知区域价值的区域,可以利用这些区域内所产生的特征数据来构建训练数据集,特征数据可以是:XDR数据、MRO数据、工参、软采数据、B域用户属性、终端信息等;在获取到已知价值区域的特征数据之后,根据已知价值区域的特征数据构建训练数据集,其中,训练数据集包含多个第一样本数据,第一样本数据包括:区域价值和n个样本特征。
在本发明一种可选实施方式中,可以利用如下方法构建训练数据集:依据预设划分规则对已知价值区域进行拆分处理,得到多个栅格,其中,每个栅格作为一个第一样本;根据预设数据格式对第一样本内的特征数据进行处理,生成训练数据集。
具体地,对于已知价值区域,可以确定该区域对应的范围轮廓,可以依据预先设置的划分规则对已知价值区域进行拆分处理,例如,预设划分规则为将已知价值区域拆分为大小为50米*50米的栅格,经过拆分处理,可以将已知价值区域拆分为多个栅格,本领域技术人员可以根据实际需要灵活设定所拆分的栅格大小,拆分后的每一个栅格作为一个第一样本,在确定了第一样本后,按照预设数据格式对第一样本内的特征数据进行信息整理,例如,按照表1所示形式第一样本内的特征数据进行信息整理,所有第一样本均进行上述处理后,便生成了训练数据集,这里将训练数据集记为A,以便于后续方法步骤中描述。
表1:
样本特征选定范围:VIP用户数(天级);集团用户数(天级);总用户数(天级);4G终端数量占比(天级);IOS终端占比(天级);Android终端占比(天级);用户总占用时长(天级);总流量(天级);特定套餐用户数占比(天级,可根据需要获取,例如流量不限量套餐、100元以上套餐等);用户数峰值、流量峰值、用户占用时长峰值(小时级)等。
其中,用户数峰值、流量峰值、用户占用时长峰值(小时级)定义如下:用户数峰值及其对应小时的流量、用户占用总时长(小时级);流量峰值及其对应小时的用户数、用户占用总时长(小时级);用户占用时长峰值及其对应小时的用户数、流量(小时级)。在本实施例中,可能存在某些样本特征的特征值置空或赋值为0的情况。
区域价值包括:高流量高价值、高流量低价值、低流量高价值、低流量低价值。当然还可能包含其它类别的区域价值,这里不再一一列举。
步骤S102,利用预设数据标准化方法对第一样本数据进行标准化处理。
所构建的训练数据集中的第一样本数据,由于第一样本数据的部分样本特征的特征值很大,而另一部分样本特征的特征值很小,利用这些第一样本数据进行模型训练,会给模型训练带来负面影响,以VIP用户数(天级)、集团用户数(天级)、总用户数(天级)三个样本特征为例,表2示出了三个样本特征的特征值,根据表2可以看出总用户数明显大于VIP用户数及集团用户数,这样会导致总用户数的特性掩盖其它两个特征的特性,因此,需要对第一样本数据进行标准化处理。
表2:
具体地,可以采用标准差标准化或零均值标准化方法(公式1)对第一样本数据进行标准化处理。
x′=(x-μ)/σ 公式1
经过标准化处理后,第一样本数据如表3所示。
表3:
VIP用户数(天级) | 集团用户数(天级) | 总用户数(天级) |
1.034680 | 0.869455 | -1.346469 |
-0.289287 | -0.992333 | 0.810425 |
0.174102 | -0.247618 | 0.638561 |
1.167076 | 0.124740 | 0.767459 |
-0.885071 | 0.310919 | -0.555894 |
0.174102 | -1.550869 | -1.234758 |
-0.421683 | -0.806154 | -1.269130 |
-1.282261 | -0.806154 | 1.506475 |
-1.282261 | 1.055634 | -1.157419 |
-0.752675 | -0.806154 | -0.530115 |
步骤S103,通过预设特征选择方法对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据。
通常情况下,样本特征太多并不利于模型的训练,不仅会降低模型训练速度,而且在样本特征过多而第一样本数据较少时,极容易出现过拟合,降低了模型精度,因此,在对第一样本数据进行标准化处理后,可以通过预设特征选择方法对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据,其中,第二样本数据包括:区域价值和m个样本特征,m小于n。这里的特征选择不仅有利于提升模型训练速度,还有利于提升模型精度。
在本发明一种可选实施方式中,可以通过以下方法进行特征选择处理:针对n个样本特征中的每个样本特征,计算样本特征对应的信息增益;依据信息增益对n个样本特征进行排序;根据样本特征的排序结果从n个样本特征中选取m个样本特征,得到第二样本数据。
在进行特征选择时,是根据样本特征的信息增益来选择,因此,就需要计算每个样本特征的信息增益,针对训练数据集A中样本特征a,可以采用如下公式2计算该样本特征a的信息增益:
g(A,a)=H(A)-H(Ala) 公式2
其中,H(A)为训练数据集A的经验熵,
其中,设有K类区域价值,即,Ak,k=1,2…k,|Ak|为属于区域价值Ak的第一样本数据的数量,其中,
H(A|a)为条件熵,
其中,p(Ak|ai)为样本特征a的特征值为i、区域价值为Ak的概率;p(ai)为样本特征a的特征值为i的概率;|A|为总的第一样本数据的数量;|Ai|为样本特征a的特征值为i的第一样本数据的数量;|Aik|为样本特征a的特征值为i的、区域价值为Ak的第一样本数据的数量。
结合上述三个样本特征,利用上述方法计算得到的信息增益如表4所示。
表4:
信息增益 | |
VIP用户数(天级) | 0.3335424270117043 |
集团用户数(天级) | 0.2803138868713866 |
总用户数(天级) | 0.3861436861169092 |
在计算得到样本特征的信息增益后,依据信息增益对n个样本特征进行排序,按照信息增益由大至小的顺序进行排序,然后,选择信息增益高的m个样本特征(例如,8个样本特征,其中,m的数量可以根据实际需要灵活设定),最终得到第二样本数据。
步骤S104,根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型。
在本实施例中,所涉及的区域价值为多类,因此,需要利用SVM多分类算法来进行分类训练,具体地,在确定了第二样本数据后,可以根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型,训练得到的区域价值评估模型能够在后续需要进行区域价值预测时,根据输入区域价值评估模型的特征数据预测出对应的区域价值。
在本发明一种可选实施方式中,根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型进一步可以通过以下方法实现:计算具有相同区域价值的第二样本数据的区域价值中心;根据区域价值中心,计算每两类价值区域的类中心距离,根据类中心距离生成类间距矩阵;根据类间距矩阵建立SVM多分类器,其中,SVM多分类器为由多个SVM二分类器组合构成的多分类器;将第二样本数据输入至SVM多分类器,得到区域价值评估模型。
每个第二样本数据都包含区域价值,因此,可以根据第二样本数据中的区域价值来计算具有相同区域价值的第二样本数据的区域价值中心,例如,可以利用如下公式6计算区域价值中心,
其中,Y表示区域价值、yi表示第i个第二样本的区域价值、xi表示第i列样本特征的特征值。
在计算得到区域价值中心后,可以根据区域价值中心,计算每两类价值区域的类中心距离,类中心距离的计算公式采用欧式距离公式,Mi,j=O(VY=i,VY=j),其中,VY=i表示i类的区域价值中心,VY=j表示j类的区域价值中心,O(VY=i,VY=j)表示i类的区域价值中心与j类的区域价值中心的欧氏距离。
在生成类中心距离后,根据类中心距离生成类间距矩阵M,通常取上三角矩阵即可。
举例说明,区域价值共有4类,则生成的类间距矩阵M为
在生成类间距矩阵后,根据类间距矩阵建立SVM多分类器,其中,SVM多分类器为由多个SVM二分类器组合构成的多分类器;将第二样本数据输入至SVM多分类器,得到区域价值评估模型。
为了便于说明,这里以区域价值共有4类,分别为1类、2类、3类、4类举例,类间距矩阵如下所示,介绍SVM多分类器建立过程:
类间距矩阵M:
从所有类别的区域价值中,选取类中心距离最大的两类区域价值(1类和3类),生成一个二分类分类器,形成一个节点,该节点分出两个子节点(假设子节点0_0、子节点0_1),子节点0_0对应为非1类,子节点0_1对应非3类,剔除特定类别(如子节点0_0,剔除1类)作为下一级子节点的输入,重复步骤1-3;当子节点只有一个类别时,停止,如图1B所示,在图1B中,每一个圆形节点代表一个基于SVM(支持向量机)的二分类分类器。
将第二样本数据输入至SVM多分类器,不断地修正每个节点的判定条件,最终得到区域价值评估模型。
根据本发明上述实施例提供的方法,训练得到区域价值评估模型,该区域价值评估模型能够客观分析区域的区域价值,而且采用的是人工智能分析,代替了专家***,从而能够在后续预测区域的区域价值时,更客观更可靠。
图2示出了根据本发明一个实施例的区域价值预测方法的流程示意图。如图2所示,该方法包括以下步骤:
步骤S201,获取待评估栅格的特征数据。
对于需要评估区域价值的栅格,可以获取待评估栅格的特征数据,与图1A所示实施例中的获取特征数据类似,不同的是,本步骤中的特征数据仅需要获取特征选择处理后m个样本特征,这里不再赘述。
步骤S202,对待评估栅格的特征数据进行标准化处理。
本步骤与图1A所示实施例中的步骤S102类似,这里不再赘述。
步骤S203,将处理后的待评估栅格的特征数据输入至区域价值评估模型进行区域价值预测,得到待评估栅格对应的区域价值。
在根据步骤S202对待评估栅格的特征数据进行标准化处理之后,将处理后的待评估栅格的特征数据输入至所训练得到的区域价值评估模型中进行区域价值预测,得到待评估栅格对应的区域价值。
步骤S204,根据栅格位置信息,利用预设聚类方法对具有相同区域价值的栅格进行聚类处理,得到对应的价值区域。
步骤S203得到的是栅格的区域价值,可能存在多个栅格的区域价值相同的情况,因此,可以采用预设聚类方法(例如,层次聚类方法),根据栅格位置信息(例如,经纬度信息),对具有相同区域价值的栅格进行聚类处理,得到对应的价值区域,例如,聚类后得到高价值高流量区域、低价值高流量区域等。
根据本发明上述实施例提供的方法,获取待评估栅格的特征数据,对待评估栅格的特征数据进行标准化处理,将处理后的待评估栅格的特征数据输入至区域价值评估模型进行区域价值预测,得到待评估栅格对应的区域价值,根据栅格位置信息,利用预设聚类方法对具有相同区域价值的栅格进行聚类处理,得到对应的价值区域,可以精确地确定区域的价值,所得到的结果更客观、更可靠,避免了由于人工设定权重或阈值导致预测结果不准确的缺陷。
图3示出了根据本发明一个实施例的区域价值评估模型处理装置的结构示意图。如图3所示,该装置包括:构建模块301、标准化处理模型302、特征选择处理模块303、训练模块304。
构建模块301,适于获取已知价值区域的特征数据,根据已知价值区域的特征数据构建训练数据集,其中,训练数据集包含多个第一样本数据,第一样本数据包括:区域价值和n个样本特征;
标准化处理模型302,适于利用预设数据标准化装置对第一样本数据进行标准化处理;
特征选择处理模块303,适于通过预设特征选择装置对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据,其中,第二样本数据包括:区域价值和m个样本特征,m小于n;
训练模块304,适于根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型。
可选地,训练模块进一步适于:计算具有相同区域价值的第二样本数据的区域价值中心;
根据区域价值中心,计算每两类价值区域的类中心距离,根据类中心距离生成类间距矩阵;
根据类间距矩阵建立SVM多分类器,其中,SVM多分类器为由多个SVM二分类器组合构成的多分类器;
将第二样本数据输入至SVM多分类器,得到区域价值评估模型。
可选地,特征选择处理模块进一步适于:针对n个样本特征中的每个样本特征,计算样本特征对应的信息增益;
依据信息增益对n个样本特征进行排序;
根据样本特征的排序结果从n个样本特征中选取m个样本特征,得到第二样本数据。
可选地,装置还包括:获取模块,适于获取待评估栅格的特征数据;
处理模块,适于对待评估栅格的特征数据进行标准化处理;
区域价值预测模块,适于将处理后的待评估栅格的特征数据输入至区域价值评估模型进行区域价值预测,得到待评估栅格对应的区域价值。
可选地,装置还包括:聚类处理模块,适于根据栅格位置信息,利用预设聚类装置对具有相同区域价值的栅格进行聚类处理,得到对应的价值区域。
可选地,构建模块进一步适于:依据预设划分规则对已知价值区域进行拆分处理,得到多个栅格,其中,每个栅格作为一个第一样本;
根据预设数据格式对第一样本内的特征数据进行处理,生成训练数据集。
可选地,区域价值包括:高流量高价值、高流量低价值、低流量高价值、低流量低价值。
根据本发明上述实施例提供的装置,训练得到区域价值评估模型,该区域价值评估模型能够客观分析区域的区域价值,而且采用的是人工智能分析,代替了专家***,从而能够在后续预测区域的区域价值时,更客观更可靠。
本发明实施例还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的区域价值评估模型处理方法。
图4示出了根据本发明一个实施例的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述区域价值评估模型处理方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的区域价值评估模型处理方法。程序中各步骤的具体实现可以参见上述区域价值评估模型处理实施例中的相应步骤和单元中对应的描述,在此不赘述。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,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种区域价值评估模型处理方法,包括:
获取已知价值区域的特征数据,根据已知价值区域的特征数据构建训练数据集,其中,训练数据集包含多个第一样本数据,所述第一样本数据包括:区域价值和n个样本特征;
利用预设数据标准化方法对第一样本数据进行标准化处理;
通过预设特征选择方法对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据,其中,所述第二样本数据包括:区域价值和m个样本特征,m小于n;
根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型。
2.根据权利要求1所述的方法,其中,所述根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型进一步包括:
计算具有相同区域价值的第二样本数据的区域价值中心;
根据区域价值中心,计算每两类价值区域的类中心距离,根据类中心距离生成类间距矩阵;
根据类间距矩阵建立SVM多分类器,其中,SVM多分类器为由多个SVM二分类器组合构成的多分类器;
将第二样本数据输入至SVM多分类器,得到区域价值评估模型。
3.根据权利要求1或2所述的方法,其中,所述通过预设特征选择方法对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据进一步包括:
针对n个样本特征中的每个样本特征,计算所述样本特征对应的信息增益;
依据信息增益对n个样本特征进行排序;
根据样本特征的排序结果从n个样本特征中选取m个样本特征,得到第二样本数据。
4.根据权利要求1或2所述的方法,其中,在得到区域价值评估模型之后,所述方法还包括:
获取待评估栅格的特征数据;
对待评估栅格的特征数据进行标准化处理;
将处理后的待评估栅格的特征数据输入至区域价值评估模型进行区域价值预测,得到待评估栅格对应的区域价值。
5.根据权利要求4所述的方法,其中,在得到待评估栅格对应的区域价值类别之后,所述方法还包括:
根据栅格位置信息,利用预设聚类方法对具有相同区域价值的栅格进行聚类处理,得到对应的价值区域。
6.根据权利要求1或2所述的方法,其中,所述根据已知价值区域的特征数据构建训练数据集进一步包括:
依据预设划分规则对已知价值区域进行拆分处理,得到多个栅格,其中,每个栅格作为一个第一样本;
根据预设数据格式对第一样本内的特征数据进行处理,生成训练数据集。
7.根据权利要求1或2所述的方法,其中,区域价值包括:高流量高价值、高流量低价值、低流量高价值、低流量低价值。
8.一种区域价值评估模型处理装置,包括:
构建模块,适于获取已知价值区域的特征数据,根据已知价值区域的特征数据构建训练数据集,其中,训练数据集包含多个第一样本数据,所述第一样本数据包括:区域价值和n个样本特征;
标准化处理模型,适于利用预设数据标准化装置对第一样本数据进行标准化处理;
特征选择处理模块,适于通过预设特征选择装置对标准化处理后的第一样本数据进行特征选择处理,得到第二样本数据,其中,所述第二样本数据包括:区域价值和m个样本特征,m小于n;
训练模块,适于根据SVM多分类算法对第二样本数据进行分类训练,得到区域价值评估模型。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的区域价值评估模型处理方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的区域价值评估模型处理方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910849068.XA CN112464970A (zh) | 2019-09-09 | 2019-09-09 | 区域价值评估模型处理方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910849068.XA CN112464970A (zh) | 2019-09-09 | 2019-09-09 | 区域价值评估模型处理方法、装置及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464970A true CN112464970A (zh) | 2021-03-09 |
Family
ID=74807442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910849068.XA Pending CN112464970A (zh) | 2019-09-09 | 2019-09-09 | 区域价值评估模型处理方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464970A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051296A (zh) * | 2022-12-28 | 2023-05-02 | 中国银行保险信息技术管理有限公司 | 基于标准化保险数据的客户评价分析方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407406A (zh) * | 2016-09-22 | 2017-02-15 | 国信优易数据有限公司 | 一种文本处理方法和*** |
CN109993185A (zh) * | 2017-12-31 | 2019-07-09 | ***通信集团贵州有限公司 | 无线信令分析方法、装置、计算设备及存储介质 |
-
2019
- 2019-09-09 CN CN201910849068.XA patent/CN112464970A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407406A (zh) * | 2016-09-22 | 2017-02-15 | 国信优易数据有限公司 | 一种文本处理方法和*** |
CN109993185A (zh) * | 2017-12-31 | 2019-07-09 | ***通信集团贵州有限公司 | 无线信令分析方法、装置、计算设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
吕琦: "基于SVM算法的经济区域分类分析", 《商场现代化》, pages 25 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051296A (zh) * | 2022-12-28 | 2023-05-02 | 中国银行保险信息技术管理有限公司 | 基于标准化保险数据的客户评价分析方法及*** |
CN116051296B (zh) * | 2022-12-28 | 2023-09-29 | 中国银行保险信息技术管理有限公司 | 基于标准化保险数据的客户评价分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651057B (zh) | 一种基于安装包序列表的移动端用户年龄预测方法 | |
CN110472665A (zh) | 模型训练方法、文本分类方法及相关装置 | |
CN106951925A (zh) | 数据处理方法、装置、服务器及*** | |
CN105468742A (zh) | 恶意订单识别方法及装置 | |
CN105069470A (zh) | 分类模型训练方法及装置 | |
CN111914159B (zh) | 一种信息推荐方法及终端 | |
CN111190988A (zh) | 地址解析方法、装置、设备及计算机可读存储介质 | |
CN101447995B (zh) | 一种识别p2p数据流的方法、装置和*** | |
CN113342799B (zh) | 一种数据修正方法及*** | |
CN112486676B (zh) | 一种基于边缘计算的数据共享分发装置 | |
CN112464970A (zh) | 区域价值评估模型处理方法、装置及计算设备 | |
CN106484913A (zh) | 一种目标图片确定的方法以及服务器 | |
CN114692889A (zh) | 用于机器学习算法的元特征训练模型 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN112243247B (zh) | 基站优化优先级确定方法、装置及计算设备 | |
CN109166012B (zh) | 针对行程预定类用户的分类及信息推送的方法和装置 | |
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 | |
CN115730152A (zh) | 基于用户画像分析的大数据处理方法及大数据处理*** | |
CN112258126B (zh) | 位置数据的校验方法、装置及计算设备 | |
CN112214675B (zh) | 用户购机的确定方法、装置、设备及计算机存储介质 | |
CN107291722B (zh) | 一种描述词的分类方法及设备 | |
CN113822301B (zh) | 分拣中心的分类方法及装置、存储介质、电子设备 | |
CN113641823A (zh) | 文本分类模型训练、文本分类方法、装置、设备及介质 | |
CN112559589A (zh) | 一种远程测绘数据处理方法及*** | |
CN111612023A (zh) | 一种分类模型构建方法及装置 |
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 |