由于一些非常糟糕的数据科学和谷歌不断增长的强大功能，看起来在不久的将来的某一天，我们都将能够免费（或大幅折扣）乘车。乘坐出租车，就是这样。 由于一些非常糟糕的数据科学和谷歌不断增长的强大功能，看起来在不久的将来的某一天，我们都将能够免费（或大幅折扣）乘车。乘坐出租车，就是这样。 有什么收获？.?. 好吧，这笔交易是……根据您所在的位置，您会在智能手机上收到报价。优惠广告很可能是针对当地实体企业的商品或服务的折扣。如果您有兴趣去镇上的那个地方，那么您可以免费（或打折）乘车。为了防止人们滥用免费乘车优惠，您的乘车与购买比率将计入您的 Google 个人资料中 – 如果您是乘车狂，您可能不会在未来获得太多优惠搭便车。 这个系统不仅仅是一些科幻迷最伟大的幻想……它正在成为现实。

早在 谷歌就获得了这种

交通感知实体广告转换系统的专利。 更多阅读 商业智能的分层导航 分层导航改进商业智能策略的 5 种方式 如何在经济低迷时期建立有弹性的 IT 团队 使用预测分析在亚马逊上获得最佳交易 在线交易者需要认真对待数据泄露的威胁 谷歌报告显示 Android 用户需要 VPN 来保护数据隐私 像这样的系统设计 电话号码列表 中包含大量先进的数据科学。虽然我无法涵盖此类系统使用的所有算法……但我想讨论一种基于位置的强大算法，该算法可用于设计类似于 Google 最近获得专利的系统。 在基于位置的智能和高级移动营销方面，基于位置的社交网络 (LBSN) 在幕后悄悄地停止了表演。这些网络一直在记录和分析用户偏好、用户社交影响力和用户位置，以便为可用于投放移动广告的个性化地理社交推荐引擎提供支持。尽管这种做法不是全新的，但仍在不断改进。

最近博士种通过使用

核密度估计方法将地理对用户签到行为的影响个性化为个体分布而不是所有人的普遍分布”来大幅提高位置推荐性能的方法用户。” 如果您还不熟悉它，核密度估计 (KDE) 是一种非参数估计方法，可用于计算随机变量或变量集的概率密度函数。在空间方面，KDE 使用核函数来估计表示空间中点或线的聚类和 GI列表 密度模式的光滑锥形表面。 核密度估计 图 1合成正态混合数据的具有对角线带宽的核密度估计 KDE 是一种流行的量化点模式强度和密度的方法——换句话说，就是“热点”分析。KDE 对于建模和预测与市场区域分析、环境污染、犯罪、疾病爆发和地震风险等兴趣领域相关的时空趋势非常有用。由于该方法采用核函数来估计密度，因此与计数方法相比，边界效应更少。可以使用R热图插件执行。