CN106767835A - 定位方法和装置 - Google Patents
定位方法和装置 Download PDFInfo
- Publication number
- CN106767835A CN106767835A CN201710068541.1A CN201710068541A CN106767835A CN 106767835 A CN106767835 A CN 106767835A CN 201710068541 A CN201710068541 A CN 201710068541A CN 106767835 A CN106767835 A CN 106767835A
- Authority
- CN
- China
- Prior art keywords
- information point
- geography information
- fix
- positioning time
- elements
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本申请公开了定位方法和装置。该方法的一具体实施方式包括:获取用户的包括定位时间和定位坐标的定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列;获取地理信息点坐标与上述定位坐标的距离小于预设距离阈值的至少一个地理信息点,其中,地理信息点包括地理信息点坐标和地理信息点类别;对上述至少一个地理信息点中每个地理信息点,基于上述定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值;根据所确定的各个到访概率值,确定上述用户在上述定位时间所到访的地理实体所对应的地理信息点。该实施方式提高了用户定位的准确度。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及定位方法和装置。
背景技术
随着移动互联网、移动智能设备以及终端的不断发展,终端用户产生了大量的定位、轨迹等线下数据。线下数据真实反映了用户在物理时空中的行为特征,对线上数据形成了良好补充。线下数据和线上数据相结合,可以实现更精准的用户画像刻画。用户画像可以广泛应用于在线信息推送、精准营销等多个具体应用中。特别的,如果能够确定或者预测出用户到访了一个地理信息点(POI,Point Of Interest),又称为“信息点”或“兴趣点”,例如酒店、学校、商场、写字楼、地铁站、机场等,则可以完成准确命中用户实际需求的信息推送。
然而,现有技术中一般根据用户的当前定位坐标和/或当前时间来预测用户到访的地理信息点,没有考虑用户的历史到访地理信息点,从而造成预测的准确率不高。
发明内容
本申请的目的在于提出一种改进的定位方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请提供了一种定位方法,该方法包括:获取用户的包括定位时间和定位坐标的定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列;获取地理信息点坐标与上述定位坐标的距离小于预设距离阈值的至少一个地理信息点,其中,地理信息点包括地理信息点坐标和地理信息点类别;对上述至少一个地理信息点中每个地理信息点,基于上述定位信息和上述用户在上述定位时 间之前的历史到访地理信息点类别序列,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值;根据所确定的各个到访概率值,确定上述用户在上述定位时间所到访的地理实体所对应的地理信息点。
在一些实施例中,上述对上述至少一个地理信息点中每个地理信息点,基于上述定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值,包括:将上述用户在上述定位时间之前的历史到访地理信息点类别序列导入预先训练的地理信息点类别预测模型,得到上述用户在上述定位时间到访至少一个地理信息点类别中每个地理信息点类别所指示的地理实体的到访类别概率值;对上述至少一个地理信息点中每个地理信息点,根据上述定位信息,确定上述定位坐标在上述定位时间属于该地理信息点所指示的地理实体的概率值;对上述至少一个地理信息点中每个地理信息点,根据上述定位坐标在上述定位时间属于该地理信息点所指示的地理实体的概率值和上述用户在上述定位时间到访该地理信息点的地理信息点类别所指示的地理实体的到访类别概率值,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值。
在一些实施例中,上述根据上述定位信息,确定上述定位坐标在上述定位时间属于该地理信息点所指示的地理实体的概率值,包括:根据上述定位坐标和该地理信息点的定位坐标概率分布,确定上述定位坐标属于该地理信息点所指示的地理实体的概率值;根据上述定位时间和该地理信息点的定位时间概率分布,确定该地理信息点所指示的地理实体在上述定位时间被到访的概率值,其中,该地理信息点的定位时间概率分布是根据该地理信息点的历史到访用户的历史定位时间进行统计得到的;根据上述定位坐标属于该地理信息点所指示的地理实体的概率值和该地理信息点所指示的地理实体在上述定位时间被到访的概率值,确定上述定位坐标在上述定位时间属于该地理信息点所指示的地理实体的概率值。
在一些实施例中,上述该地理信息点的定位坐标概率分布是通过 如下操作得到的:获取该地理信息点的历史到访用户的历史定位坐标;对所获取的历史定位坐标进行聚类以得到该地理信息点的至少一个定位坐标聚类中心;根据该地理信息点的地理信息点坐标与该地理信息点的至少一个定位坐标聚类中心中各个定位坐标聚类中心之间的距离,确定该地理信息点的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值,并将所确定的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值作为该地理信息点的定位坐标概率分布。
在一些实施例中,上述方法还包括训练地理信息点类别预测模型的步骤,上述训练地理信息点类别预测模型的步骤包括:获取至少一个用户的至少一个历史到访地理信息点类别序列;将上述至少一个历史到访地理信息点类别序列作为训练数据,训练递归神经网络作为地理信息点类别预测模型。
第二方面,本申请提供了一种定位装置,该装置包括:第一获取单元,配置用于获取用户的包括定位时间和定位坐标的定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列;第二获取单元,配置用于获取地理信息点坐标与上述定位坐标的距离小于预设距离阈值的至少一个地理信息点,其中,地理信息点包括地理信息点坐标和地理信息点类别;第一确定单元,配置用于对上述至少一个地理信息点中每个地理信息点,基于上述定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值;第二确定单元,配置用于根据所确定的各个到访概率值,确定上述用户在上述定位时间所到访的地理实体所对应的地理信息点。
在一些实施例中,上述第一确定单元包括:第一确定模块,配置用于将上述用户在上述定位时间之前的历史到访地理信息点类别序列导入预先训练的地理信息点类别预测模型,得到上述用户在上述定位时间到访至少一个地理信息点类别中每个地理信息点类别所指示的地理实体的到访类别概率值;第二确定模块,配置用于对上述至少一个地理信息点中每个地理信息点,根据上述定位信息,确定上述定位坐 标在上述定位时间属于该地理信息点所指示的地理实体的概率值;第三确定模块,配置用于对上述至少一个地理信息点中每个地理信息点,根据上述定位坐标在上述定位时间属于该地理信息点所指示的地理实体的概率值和上述用户在上述定位时间到访该地理信息点的地理信息点类别所指示的地理实体的到访类别概率值,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值。
在一些实施例中,上述第二确定模块包括:第一确定子模块,配置用于根据上述定位坐标和该地理信息点的定位坐标概率分布,确定上述定位坐标属于该地理信息点所指示的地理实体的概率值;第二确定子模块,配置用于根据上述定位时间和该地理信息点的定位时间概率分布,确定该地理信息点所指示的地理实体在上述定位时间被到访的概率值,其中,该地理信息点的定位时间概率分布是根据该地理信息点的历史到访用户的历史定位时间进行统计得到的;第三确定子模块,配置用于根据上述定位坐标属于该地理信息点所指示的地理实体的概率值和该地理信息点所指示的地理实体在上述定位时间被到访的概率值,确定上述定位坐标在上述定位时间属于该地理信息点所指示的地理实体的概率值。
在一些实施例中,上述该地理信息点的定位坐标概率分布是通过如下操作得到的:获取该地理信息点的历史到访用户的历史定位坐标;对所获取的历史定位坐标进行聚类以得到该地理信息点的至少一个定位坐标聚类中心;根据该地理信息点的地理信息点坐标与该地理信息点的至少一个定位坐标聚类中心中各个定位坐标聚类中心之间的距离,确定该地理信息点的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值,并将所确定的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值作为该地理信息点的定位坐标概率分布。
在一些实施例中,上述装置还包括地理信息点类别预测模型训练单元,上述地理信息点类别预测模型训练单元配置用于:获取至少一个用户的至少一个历史到访地理信息点类别序列;将上述至少一个历史到访地理信息点类别序列作为训练数据,训练递归神经网络作为地 理信息点类别预测模型。
第三方面,本申请提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请提供了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,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请提供的定位方法和装置,通过根据用户的定位坐标和定位时间以及上述用户在定位时间之前的历史到访地理信息点类别序列,确定用户在定位时间到访与定位坐标的距离小于预设距离阈值的至少一个地理信息点中每个地理信息点所指示的地理实体的到访概率值,并最终确定用户在定位时间所到访的地理实体所对应的地理信息点,从而在对用户定位的过程中考虑了用户的历史到访地理信息点类别序列,提高了确定用户所到访的地理实体所对应的地理信息点的准确度,继而可以提高对用户画像的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2a是根据本申请的定位方法的一个实施例的流程图;
图2b是根据本申请的定位方法中地理信息点的定位时间概率分布示意图;
图3是根据本申请的定位方法的又一个实施例的流程图;
图4是根据本申请的定位装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的定位方法或定位装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如地图类应用、定位类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是支持定位和/或WiFi功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103的定位服务提供支持的后台服务器。后台服务器可以对接收到的定位信息等数据进行分析等处理。
需要说明的是,本申请实施例所提供的定位方法一般由服务器105执行,相应地,定位装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2a,其示出了根据本申请的定位方法的一个实施例的流程200。该定位方法,包括以下步骤:
步骤201,获取用户的包括定位时间和定位坐标的定位信息和上述用户在定位时间之前的历史到访地理信息点类别序列。
在本实施例中,定位方法运行于其上的电子设备(例如图1所示的服务器)可以首先通过有线连接方式或者无线连接方式从用户的终端获取用户的定位信息。这里,用户的定位信息可以包括定位坐标和定位时间。然后,上述电子设备可以获取上述用户在定位时间之前的历史到访地理信息点类别序列。
在本实施例中,用户的定位信息可以是用户的当前定位信息,也可以是用户的历史定位信息。
在本实施例中,地理信息点用于对地理实体进行表征。其中,地理实体可以是地球表面的任一具体的实体。例如,地理实体可以是具体的建筑物、道路、地理区域、河流、海洋、山峰等等。地理信息点类别用于表征地理信息点所指示的地理实体所属的类别。作为示例,地理信息点类别可以包括:小学校园、中学校园、大学校园、地铁站、公交车站、机场、政府机关、酒店、商场、电影院、图书馆、广场、写字楼、公园、游乐园、村庄、加油站、国道、高速公路、城市道路等等。例如,地理实体“海淀公园”和地理实体“紫竹院公园”所属的地理信息点类别都是“公园”。
在本实施例中,用户的定位坐标和地理信息点坐标可以是基于各种坐标系的坐标。例如,用户的定位坐标和地理信息点坐标可以是三维坐标(例如,大地坐标系下的经纬度坐标),也可以是二维坐标(例如,UTMGS(Universal Transverse Mercartor GridSystem,通用横墨卡托格网***)中的横坐标和纵坐标)。
在本实施例中,上述电子设备可以通过各种定位方式获取用户的终端的定位信息作为用户的定位信息,其中,各种定位方式包括但不限于以下定位方式:基于GPS(GlobalPositioning System,全球定位***)的定位、基于移动运营商的基站的定位、基于AGPS(Assisted GPS,辅助全球卫星定位***)的定位、基于WiFi的定位以及其他现在已知或将来开发的终端定位方式。
在本实施例中,上述用户的历史到访地理信息点类别序列可以是 按时间顺序排列的地理信息点类别。
在本实施例的一些可选的实现方式中,上述用户的历史到访地理信息点类别序列可以预先存储在上述电子设备本地或者与上述电子设备网络连接的其他电子设备中,这样上述电子设备可以本地或者远程地从与上述电子设备网络连接的其他电子设备中获取上述用户在定位时间之前的历史到访地理信息点类别序列。
在本实施例的一些可选的实现方式中,上述电子设备可以获取上述用户的历史到访地理信息点类别序列中距离用户的定位时间最近的第一预定数目个(例如10个)历史到访地理信息点类别序列作为上述用户在定位时间之前的历史到访地理信息点类别序列。
在本实施例的一些可选的实现方式中,上述电子设备也可以获取上述用户的历史到访地理信息点类别序列中与用户的定位时间最近的预定时间段(例如1天或者1周)内的历史到访地理信息点类别序列作为上述用户在定位时间之前的历史到访地理信息点类别序列。
步骤202,获取地理信息点坐标与定位坐标的距离小于预设距离阈值的至少一个地理信息点。
在本实施例中,地理信息点用于对地理实体进行表征。在物理世界中,地理实体通常是由一定的建筑物和自然界的物质组成的区域,然而实践中,为了表示方便,往往会为地理实体设定坐标作为该地理实体对应的地理信息点的地理信息点坐标。
为了确定上述用户在定位时间所到访的地理实体所对应的地理信息点,需要在各个地理信息点中确定至少一个地理信息点,以缩小范围。为此,上述电子设备可以首先获取各个地理信息点,然后,在所获取的各个地理信息点中选取地理信息点坐标与定位坐标的距离小于预设距离阈值(例如,100米)的至少一个地理信息点。具体地,可以从基于位置的服务(LBS,Location Based Service)中获得各个地理信息点的地理信息点坐标。
步骤203,对至少一个地理信息点中每个地理信息点,基于定位信息和用户在定位时间之前的历史到访地理信息点类别序列,确定用户在定位时间到访该地理信息点所指示的地理实体的到访概率值。
在本实施例中,基于步骤201中得到的用户的定位信息和用户在定位时间之前的历史到访地理信息点类别序列,上述电子设备(例如图1所示的服务器)可以采用各种实现方式,对步骤202中得到的至少一个地理信息点中每个地理信息点,确定用户在定位时间到访该地理信息点所指示的地理实体的到访概率值。
在本实施例的一些可选的实现方式中,步骤203可以包括如下子步骤:
子步骤2031,将用户在定位时间之前的历史到访地理信息点类别序列导入预先训练的地理信息点类别预测模型,得到用户在定位时间到访至少一个地理信息点类别中每个地理信息点类别所指示的地理实体的到访类别概率值。
其中,至少一个地理信息点类别包括用户的历史到访地理信息点类别序列中的各个历史到访地理信息点类别和至少一个地理信息点中各个地理信息点的地理信息点类别。实践中,可以从基于位置的服务中获得至少一个地理信息点类别。这里,地理信息点类别预测模型用于表征历史到访地理信息点类别序列与地理信息点类别的对应关系。
可选地,上述定位方法还可以包括如下训练地理信息点类别预测模型的步骤:首先,获取至少一个用户的至少一个历史到访地理信息点类别序列。然后,将所获取的至少一个历史到访地理信息点类别序列作为训练数据,训练递归神经网络作为地理信息点类别预测模型。
递归神经网络是一类人工神经网络,递归神经网络拥有一种特定的记忆模式,可用于识别诸如文本、基因组、手写字迹、语音等序列数据的模式,也可用于识别传感器、股票市场、政府机构产生的数值型时间序列数据。递归神经网络的输入不仅包括当前所见的输入样例,还包括网络在上一个时刻所感知到的信息。递归神经网络在第n-1个时间步的判定会影响其在随后第n个时间步的判定,其中n为自然数。所以递归神经网络不断将自身上一刻输出当作输入的反馈循环,由此,递归神经网络能利用序列本身带有的顺序信息完成前馈神经网络无法完成的任务,这些顺序信息保存在递归神经网络隐藏状态中,不断向前层层传递,跨越许多个时间步,影响每一个新样例的处理。因此采 用递归神经网络训练地理信息点类别预测模型,可以通过用户的历史到访地理信息点类别序列,准确地预测用户下一可能到访的地理信息点类别。
子步骤2032,对至少一个地理信息点中每个地理信息点,将用户在定位时间到访该地理信息点的地理信息点类别所指示的地理实体的到访类别概率值作为用户在定位时间到访该地理信息点所指示的地理实体的到访概率值。
在本实施例的一些可选的实现方式中,步骤203也可以如下进行:
对至少一个地理信息点中每个地理信息点,根据用户的定位信息,确定定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值,并将所确定的定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值作为用户在定位时间到访该地理信息点所指示的地理实体的到访概率值。
可选地,其中,确定定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值,可以包括如下子步骤A到子步骤C:
子步骤A,根据定位坐标和该地理信息点的定位坐标概率分布,确定定位坐标属于该地理信息点所指示的地理实体的概率值。
可选地,该地理信息点的定位坐标概率分布可以是通过如下子步骤A1到子步骤A3得到的:
子步骤A1,获取该地理信息点的历史到访用户的历史定位坐标。
作为示例,可以通过获取历史用户连接WiFi的数据,如果此WiFi已确定属于某一地理信息点,可以确定此历史用户为该地理信息点的历史到访用户,那么获取该历史用户的历史定位坐标就可以得到该地理信息点的历史到访用户的历史定位坐标。
作为示例,也可以通过获取历史用户使用电子地图导航类应用搜索过该地理信息点,并将该地理信息点作为目的地开始导航,在结束导航的时候获取该历史用户所使用的终端的定位坐标,如果所获取的定位坐标与该地理信息点的地理信息点坐标之间的距离不大于预设定位距离阈值(例如,50米),则将所获取的定位坐标作为该地理信息点的历史到访用户的历史定位坐标。
作为示例,还可以通过获取历史用户在使用与该地理信息点有关的消费券时(例如,针对该地理信息点的团购券),获取该历史用户所使用的终端的定位坐标,如果所获取的定位坐标与该地理信息点的地理信息点坐标之间的距离不大于预设定位距离阈值(例如,50米),则将所获取的定位坐标作为该地理信息点的历史到访用户的历史定位坐标。
子步骤A2,对所获取的历史定位坐标进行聚类以得到该地理信息点的至少一个定位坐标聚类中心。
其中,聚类算法可以包括但不限于:K-Means(K-均值)聚类算法、混合高斯模型(Gaussian Mixture Model)聚类算法、层次聚类(Hierarchical Clustering)算法、SOM(自组织映射神经网络,Self-Organizing Maps)聚类算法、FCM(模糊C均值,Fuzzy C-Means)聚类算法。应该理解,上述聚类算法本身的计算过程是本领域的技术人员所公知的,在此不再赘述。
子步骤A3,根据该地理信息点的地理信息点坐标与该地理信息点的至少一个定位坐标聚类中心中各个定位坐标聚类中心之间的距离,确定该地理信息点的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值,并将所确定的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值作为该地理信息点的定位坐标概率分布。
作为示例,下面给出一种根据该地理信息点的地理信息点坐标与该地理信息点的至少一个定位坐标聚类中心中各个定位坐标聚类中心之间的距离,确定该地理信息点的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值的具体实现方式:
其中,地理信息点poi有K个定位坐标聚类中心μi,K为大于1的正整数,i为1到K之间的正整数,定位坐标聚类中心μi可以是二维坐标(xi,yi),也可以是三维坐标(xi,yi,zi),P(μi|poi)是计算所得的地理信息点poi的定位坐标聚类中心μi属于地理信息点poi所指示的地理实体的概率值,D1为大于0的常数,l1i是定位坐标聚类中心μi与地理信息点poi 的地理信息点坐标之间的距离,地理信息点的定位坐标可以是二维坐标(xpoi,ypoi),也可以是三维坐标(xpoi,ypoi,zpoi)。从上述公式可以看出,在地理信息点poi的定位坐标聚类中心μi与地理信息点poi的地理信息点坐标之间的距离l1i小于等于D1的情况下,P(μi|poi)均等于1。在l1i大于D1的情况下,P(μi|poi)小于1,且P(μi|poi)与l1i负相关。
下面给出根据定位坐标和该地理信息点的上述定位坐标概率分布,确定定位坐标属于该地理信息点所指示的地理实体的概率值的一种具体实现方式:
其中,U是用户的定位坐标,U可以是二维坐标(xu,yu),也可以是三维坐标(xu,yu,zu),poi是地理信息点,P(U|poi)是计算所得的定位坐标U属于地理信息点poi所指示的地理实体的概率值,P(μi|poi)是上述计算所得的地理信息点poi的定位坐标聚类中心μi属于地理信息点poi所指示的地理实体的概率值,P(U|μi)是定位坐标U属于地理信息点poi的定位坐标聚类中心μi的概率值,P(U|μi)和定位坐标U与地理信息点poi的定位坐标聚类中心μi之间的距离负相关,作为示例,P(U|μi)可以通过如下公式计算得到:
其中,D2是大于0的常数,l2i是定位坐标U与地理信息点poi的地理信息点坐标聚类中心μi之间的距离。
子步骤B,根据定位时间和该地理信息点的定位时间概率分布,确定该地理信息点所指示的地理实体在定位时间被到访的概率值。
这里,该地理信息点的定位时间概率分布可以是根据该地理信息点的历史到访用户的历史定位时间进行统计得到的。
作为示例,下面给出根据定位时间t和地理信息点poi的定位时间概率分布,确定地理信息点poi所指示的地理实体在定位时间t被到访 的概率值的一种实现方式:
P(t|poi)=P(hour|poi)P(week|poi) (公式4)
其中,t表示定位时间,poi表示地理信息点,P(hour|poi)表示地理信息点poi以一小时为时间单位以24小时为一周期的定位时间概率分布,即P(hour|poi)表示在hour所代表的一小时的时间段内,地理信息点poi被到访的概率值,P(week|poi)表示地理信息点poi以24小时为时间单位以一周为一周期的定位时间概率分布,即P(week|poi)表示在week所代表的星期几的24小时的时间内,地理信息点poi被到访的概率值。P(t|poi)为计算所得的地理信息点poi在定位时间t被到访的概率值。
作为示例,可以通过以下方式得到P(hour|poi):用预定历史时间段内(例如,近一个月)预设用户(例如,所有注册用户或者搜索过地理信息点poi的注册用户)在hour所代表的时间段搜索地理信息点poi的次数除以上述预定历史时间段内上述预设用户搜索地理信息点poi的总次数所得到的比值,作为地理信息点poi在hour所代表的一小时的时间段内被到访的概率值。图2b中示出了地理信息点poi在24小时内P(hour|poi)的分布图。可以看出,在白天时间段,该地理信息点被搜索的次数较多,因此相应的P(hour|poi)也较高,在夜间时间段,该地理信息点被搜索的次数较少,因此相应的P(hour|poi)也较低。可以理解的是,可以通过类似方式得到P(week|poi)。
子步骤C,根据定位坐标属于该地理信息点所指示的地理实体的概率值和该地理信息点所指示的地理实体在定位时间被到访的概率值,确定定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值。
作为示例,下面给出一种具体实现方式:
P(U,t|poi)=P(t|poi)P(U|poi) (公式5)
其中,U是用户的定位坐标,U可以是二维坐标(xu,yu),也可以是三维坐标(xu,yu,zu),t是定位时间,P(U|poi)是子步骤A中计算所得的定位坐标U属于该地理信息点poi所指示的地理实体的概率值,P(t|poi)是子步骤B中计算所得的地理信息点poi所指示的地理实体在定位时间t被到访的概率值,P(U,t|poi)是计算所得的定位坐标U在定位时间t属于该地理信息点poi所指示的地理实体的概率值。
经过子步骤A到子步骤C,上述电子设备可以确定定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值,然后,上述电子设备可以将上述确定的概率值作为用户在定位时间到访该地理信息点所指示的地理实体的到访概率值。
步骤204,根据所确定的各个到访概率值,确定用户在定位时间所到访的地理实体所对应的地理信息点。
在本实施例中,基于步骤203中所确定的各个到访概率值,上述电子设备可以从至少一个地理信息点中确定用户在定位时间所到访的地理实体所对应的地理信息点。
在本实施例的一些可选的实现方式中,上述电子设备可以从至少一个地理信息点中选取所确定的到访概率值最大的地理信息点作为用户在定位时间所到访的地理实体所对应的地理信息点。
在本实施例的一些可选的实现方式中,上述电子设备也可以从至少一个地理信息点中按照所确定的到访概率值从大到小的顺序选取第二预定数目个(例如,3个)地理信息点作为用户在定位时间所到访的地理实体所对应的地理信息点。
本申请的上述实施例提供的方法通过根据用户的定位坐标和定位时间以及上述用户在定位时间之前的历史到访地理信息点类别序列,确定用户在定位时间到访与定位坐标的距离小于预设距离阈值的至少一个地理信息点中每个地理信息点所指示的地理实体的到访概率值,并最终确定用户在定位时间所到访的地理实体所对应的地理信息点,从而考虑了定位坐标和定位时间以及用户在定位时间之前的历史到访地理信息点类别,提高了确定用户所到访的地理实体所对应的地理信息点的准确度,继而可以提高对用户画像的准确度。
进一步参考图3,其示出了根据本申请的定位方法的又一个实施例的流程300。该定位方法的流程300,包括以下步骤:
步骤301,获取用户的包括定位时间和定位坐标的定位信息和上述用户在定位时间之前的历史到访地理信息点类别序列。
步骤302,获取地理信息点坐标与定位坐标的距离小于预设距离 阈值的至少一个地理信息点。
在本实施例中,步骤301和步骤302的具体操作与图2a所示的实施例中步骤201和步骤202的操作基本相同,在此不再赘述。
步骤303,将用户在定位时间之前的历史到访地理信息点类别序列导入预先训练的地理信息点类别预测模型,得到用户在定位时间到访至少一个地理信息点类别中每个地理信息点类别所指示的地理实体的到访类别概率值。
其中,至少一个地理信息点类别包括用户的历史到访地理信息点类别序列中的各个历史到访地理信息点类别和至少一个地理信息点中各个地理信息点的地理信息点类别。实践中,可以从基于位置的服务中获得至少一个地理信息点类别。这里,地理信息点类别预测模型用于表征地理信息点类别序列和地理信息点类别的对应关系。
可选地,上述定位方法还可以包括如下训练地理信息点类别预测模型的步骤:首先,获取至少一个用户的至少一个历史到访地理信息点类别序列。然后,将所获取的至少一个历史到访地理信息点类别序列作为训练数据,训练递归神经网络作为地理信息点类别预测模型。
步骤304,对至少一个地理信息点中每个地理信息点,根据定位信息,确定定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值。
可选地,其中,确定定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值,可以如下进行:
首先,根据定位坐标和该地理信息点的定位坐标概率分布,确定定位坐标属于该地理信息点所指示的地理实体的概率值。具体可以参考图2a所示的实施例中子步骤A的相关说明,在此不再赘述。
其次,根据定位时间和该地理信息点的定位时间概率分布,确定该地理信息点所指示的地理实体在定位时间被到访的概率值。具体可以参考图2a所示的实施例中子步骤B的相关说明,在此不再赘述。
最后,根据定位坐标属于该地理信息点所指示的地理实体的概率值和该地理信息点所指示的地理实体在定位时间被到访的概率值,确定定位坐标在定位时间属于该地理信息点所指示的地理实体的概率 值。具体可以参考图2a所示的实施例中子步骤C的相关说明,在此不再赘述。
步骤305,对至少一个地理信息点中每个地理信息点,根据定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值和用户在定位时间到访该地理信息点的地理信息点类别所指示的地理实体的到访类别概率值,确定用户在定位时间到访该地理信息点所指示的地理实体的到访概率值。
下面给出一种具体实现方式:
P(U,t,Scat|poi)=P(Scat|poicat)P(U,t|poi) (公式6)
其中,U是定位坐标,U可以是二维坐标(xu,yu),也可以是三维坐标(xu,yu,zu),t是定位时间,Scat是用户在定位时间t之前的历史地理信息点类别序列,P(Scat|poicat)是步骤303中将历史到访地理信息点类别序列Scat导入预先训练的地理信息点类别预测模型所得的用户在定位时间t到访地理信息点poi的地理信息点类别poicat的概率值,P(U,t|poi)是步骤304中计算所得的定位坐标U在定位时间t属于该地理信息点poi所指示的地理实体的概率值。P(U,t,Scat|poi)是计算所得的用户在定位时间t到访地理信息点poi所指示的地理实体的到访概率值。
步骤306,根据所确定的各个到访概率值,确定用户在定位时间所到访的地理实体所对应的地理信息点。
在本实施例中,步骤306的具体操作与图2a所示的实施例中步骤204的操作基本相同,在此不再赘述。
从图3中可以看出,与图2a对应的实施例相比,本实施例中的定位方法的流程300突出了将定位坐标在定位时间属于该地理信息点所指示的地理实体的概率值和用户在定位时间到访该地理信息点的地理信息点类别所指示的地理实体的到访类别概率值进行融合的步骤,由此,本实施例描述的方案可以综合考虑定位坐标和定位时间以及用户在定位时间之前的历史到访地理信息点类别,提高确定用户所到访的地理实体所对应的地理信息点的准确度,继而可以提高对用户画像的准确度。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种定位装置的一个实施例,该装置实施例与图2a所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的定位装置400包括:第一获取单元401、第二获取单元402、第一确定单元403和第二确定单元404。其中,第一获取单元401,配置用于获取用户的包括定位时间和定位坐标的定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列;第二获取单元402,配置用于获取地理信息点坐标与上述定位坐标的距离小于预设距离阈值的至少一个地理信息点,其中,地理信息点包括地理信息点坐标和地理信息点类别;第一确定单元403,配置用于对上述至少一个地理信息点中每个地理信息点,基于上述定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值;第二确定单元404,配置用于根据所确定的各个到访概率值,确定上述用户在上述定位时间所到访的地理实体所对应的地理信息点。
在本实施例中,上述定位装置400的第一获取单元401、第二获取单元402、第一确定单元403和第二确定单元404的具体处理及其所带来的技术效果可分别参考图2a对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述第一确定单元403可以包括:第一确定模块4031,配置用于将上述用户在上述定位时间之前的历史到访地理信息点类别序列导入预先训练的地理信息点类别预测模型,得到上述用户在上述定位时间到访至少一个地理信息点类别中每个地理信息点类别所指示的地理实体的到访类别概率值,其中,上述至少一个地理信息点类别包括上述用户在上述定位时间之前的历史到访地理信息点类别序列中的各个历史到访地理信息点类别和上述至少一个地理信息点中各个地理信息点的地理信息点类别;第二确定模块4032,配置用于对上述至少一个地理信息点中每个地理信息点,根据上述定位信息,确定上述定位坐标在上述定位时间属于该地理信 息点所指示的地理实体的概率值;第三确定模块4033,配置用于对上述至少一个地理信息点中每个地理信息点,根据上述定位坐标在上述定位时间属于该地理信息点所指示的地理实体的概率值和上述用户在上述定位时间到访该地理信息点的地理信息点类别所指示的地理实体的到访类别概率值,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值。第一确定模块4031、第二确定模块4032和第三确定模块4033的具体处理及其所带来的技术效果可分别参考图3对应实施例中步骤303、步骤304和步骤305的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述第二确定模块4032可以包括:第一确定子模块(未示出),配置用于根据上述定位坐标和该地理信息点的定位坐标概率分布,确定上述定位坐标属于该地理信息点所指示的地理实体的概率值;第二确定子模块(未示出),配置用于根据上述定位时间和该地理信息点的定位时间概率分布,确定该地理信息点所指示的地理实体在上述定位时间被到访的概率值,其中,该地理信息点的定位时间概率分布是根据该地理信息点的历史到访用户的历史定位时间进行统计得到的;第三确定子模块(未示出),配置用于根据上述定位坐标属于该地理信息点所指示的地理实体的概率值和该地理信息点所指示的地理实体在上述定位时间被到访的概率值,确定上述定位坐标在上述定位时间属于该地理信息点所指示的地理实体的概率值。第一确定子模块、第二确定子模块和第三确定子模块的具体处理及其所带来的技术效果可分别参考图2a对应实施例中子步骤A、子步骤B和子步骤C的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述该地理信息点的定位坐标概率分布可以是通过如下操作得到的:获取该地理信息点的历史到访用户的历史定位坐标;对所获取的历史定位坐标进行聚类以得到该地理信息点的至少一个定位坐标聚类中心;根据该地理信息点的地理信息点坐标与该地理信息点的至少一个定位坐标聚类中心中各个定位坐标聚类中心之间的距离,确定该地理信息点的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值,并将所确定的各 个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值作为该地理信息点的定位坐标概率分布。具体可参考图2a对应实施例中子步骤A1、子步骤A2和子步骤A3的相关说明,在此不再赘述。
本实施例的一些可选的实现方式中,上述定位装置400还可以包括地理信息点类别预测模型训练单元(未示出),上述地理信息点类别预测模型训练单元配置用于:获取至少一个用户的至少一个历史到访地理信息点类别序列;将上述至少一个历史到访地理信息点类别序列作为训练数据,训练递归神经网络作为地理信息点类别预测模型。地理信息点类别预测模型训练单元的具体处理及其所带来的技术效果可参考图2a对应实施例中子步骤2031的相关说明,在此不再赘述。
下面参考图5,其示出了适于用来实现本申请实施例的服务器的计算机***500的结构示意图。图5示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分506加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括硬盘等的存储部分506;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分507。通信部分507经由诸如因特网的网络执行通信处理。驱动器508也根据需要连接至I/O接口505。可拆卸介质509,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器508上,以便于从其上读出的计算机程序根据需要被安装入存储部分506。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程 序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分507从网络上被下载和安装,和/或从可拆卸介质509被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。 例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、第二获取单元、第一确定单元和第二确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第二获取单元还可以被描述为“获取至少一个地理信息点的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取用户的包括定位时间和定位坐标的定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列;获取地理信息点坐标与上述定位坐标的距离小于预设距离阈值的至少一个地理信息点,其中,地理信息点包括地理信息点坐标和地理信息点类别;对上述至少一个地理信息点中每个地理信息点,基于上述定位信息和上述用户在上述定位时间之前的历史到访地理信息点类别序列,确定上述用户在上述定位时间到访该地理信息点所指示的地理实体的到访概率值;根据所确定的各个到访概率值,确定上述用户在上述定位时间所到访的地理实体所对应的地理信息点。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种定位方法,其特征在于,所述方法包括:
获取用户的包括定位时间和定位坐标的定位信息和所述用户在所述定位时间之前的历史到访地理信息点类别序列;
获取地理信息点坐标与所述定位坐标的距离小于预设距离阈值的至少一个地理信息点,其中,地理信息点包括地理信息点坐标和地理信息点类别;
对所述至少一个地理信息点中每个地理信息点,基于所述定位信息和所述用户在所述定位时间之前的历史到访地理信息点类别序列,确定所述用户在所述定位时间到访该地理信息点所指示的地理实体的到访概率值;
根据所确定的各个到访概率值,确定所述用户在所述定位时间所到访的地理实体所对应的地理信息点。
2.根据权利要求1所述的方法,其特征在于,所述对所述至少一个地理信息点中每个地理信息点,基于所述定位信息和所述用户在所述定位时间之前的历史到访地理信息点类别序列,确定所述用户在所述定位时间到访该地理信息点所指示的地理实体的到访概率值,包括:
将所述用户在所述定位时间之前的历史到访地理信息点类别序列导入预先训练的地理信息点类别预测模型,得到所述用户在所述定位时间到访至少一个地理信息点类别中每个地理信息点类别所指示的地理实体的到访类别概率值;
对所述至少一个地理信息点中每个地理信息点,根据所述定位信息,确定所述定位坐标在所述定位时间属于该地理信息点所指示的地理实体的概率值;
对所述至少一个地理信息点中每个地理信息点,根据所述定位坐标在所述定位时间属于该地理信息点所指示的地理实体的概率值和所述用户在所述定位时间到访该地理信息点的地理信息点类别所指示的地理实体的到访类别概率值,确定所述用户在所述定位时间到访该地理信息点所指示的地理实体的到访概率值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述定位信息,确定所述定位坐标在所述定位时间属于该地理信息点所指示的地理实体的概率值,包括:
根据所述定位坐标和该地理信息点的定位坐标概率分布,确定所述定位坐标属于该地理信息点所指示的地理实体的概率值;
根据所述定位时间和该地理信息点的定位时间概率分布,确定该地理信息点所指示的地理实体在所述定位时间被到访的概率值,其中,该地理信息点的定位时间概率分布是根据该地理信息点的历史到访用户的历史定位时间进行统计得到的;
根据所述定位坐标属于该地理信息点所指示的地理实体的概率值和该地理信息点所指示的地理实体在所述定位时间被到访的概率值,确定所述定位坐标在所述定位时间属于该地理信息点所指示的地理实体的概率值。
4.根据权利要求3所述的方法,其特征在于,所述该地理信息点的定位坐标概率分布是通过如下操作得到的:
获取该地理信息点的历史到访用户的历史定位坐标;
对所获取的历史定位坐标进行聚类以得到该地理信息点的至少一个定位坐标聚类中心;
根据该地理信息点的地理信息点坐标与该地理信息点的至少一个定位坐标聚类中心中各个定位坐标聚类中心之间的距离,确定该地理信息点的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值,并将所确定的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值作为该地理信息点的定位坐标概率分布。
5.根据权利要求2-4中任一所述的方法,其特征在于,所述方法还包括训练地理信息点类别预测模型的步骤,所述训练地理信息点类别预测模型的步骤包括:
获取至少一个用户的至少一个历史到访地理信息点类别序列;
将所述至少一个历史到访地理信息点类别序列作为训练数据,训练递归神经网络作为地理信息点类别预测模型。
6.一种定位装置,其特征在于,所述装置包括:
第一获取单元,配置用于获取用户的包括定位时间和定位坐标的定位信息和所述用户在所述定位时间之前的历史到访地理信息点类别序列;
第二获取单元,配置用于获取地理信息点坐标与所述定位坐标的距离小于预设距离阈值的至少一个地理信息点,其中,地理信息点包括地理信息点坐标和地理信息点类别;
第一确定单元,配置用于对所述至少一个地理信息点中每个地理信息点,基于所述定位信息和所述用户在所述定位时间之前的历史到访地理信息点类别序列,确定所述用户在所述定位时间到访该地理信息点所指示的地理实体的到访概率值;
第二确定单元,配置用于根据所确定的各个到访概率值,确定所述用户在所述定位时间所到访的地理实体所对应的地理信息点。
7.根据权利要求6所述的装置,其特征在于,所述第一确定单元包括:
第一确定模块,配置用于将所述用户在所述定位时间之前的历史到访地理信息点类别序列导入预先训练的地理信息点类别预测模型,得到所述用户在所述定位时间到访至少一个地理信息点类别中每个地理信息点类别所指示的地理实体的到访类别概率值;
第二确定模块,配置用于对所述至少一个地理信息点中每个地理信息点,根据所述定位信息,确定所述定位坐标在所述定位时间属于该地理信息点所指示的地理实体的概率值;
第三确定模块,配置用于对所述至少一个地理信息点中每个地理信息点,根据所述定位坐标在所述定位时间属于该地理信息点所指示的地理实体的概率值和所述用户在所述定位时间到访该地理信息点的地理信息点类别所指示的地理实体的到访类别概率值,确定所述用户在所述定位时间到访该地理信息点所指示的地理实体的到访概率值。
8.根据权利要求7所述的装置,其特征在于,所述第二确定模块包括:
第一确定子模块,配置用于根据所述定位坐标和该地理信息点的定位坐标概率分布,确定所述定位坐标属于该地理信息点所指示的地理实体的概率值;
第二确定子模块,配置用于根据所述定位时间和该地理信息点的定位时间概率分布,确定该地理信息点所指示的地理实体在所述定位时间被到访的概率值,其中,该地理信息点的定位时间概率分布是根据该地理信息点的历史到访用户的历史定位时间进行统计得到的;
第三确定子模块,配置用于根据所述定位坐标属于该地理信息点所指示的地理实体的概率值和该地理信息点所指示的地理实体在所述定位时间被到访的概率值,确定所述定位坐标在所述定位时间属于该地理信息点所指示的地理实体的概率值。
9.根据权利要求8所述的装置,其特征在于,所述该地理信息点的定位坐标概率分布是通过如下操作得到的:
获取该地理信息点的历史到访用户的历史定位坐标;
对所获取的历史定位坐标进行聚类以得到该地理信息点的至少一个定位坐标聚类中心;
根据该地理信息点的地理信息点坐标与该地理信息点的至少一个定位坐标聚类中心中各个定位坐标聚类中心之间的距离,确定该地理信息点的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值,并将所确定的各个定位坐标聚类中心属于该地理信息点所指示的地理实体的概率值作为该地理信息点的定位坐标概率分布。
10.根据权利要求7-9中任一所述的装置,其特征在于,所述装置还包括地理信息点类别预测模型训练单元,所述地理信息点类别预测模型训练单元配置用于:
获取至少一个用户的至少一个历史到访地理信息点类别序列;
将所述至少一个历史到访地理信息点类别序列作为训练数据,训练递归神经网络作为地理信息点类别预测模型。
11.一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一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,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710068541.1A CN106767835B (zh) | 2017-02-08 | 2017-02-08 | 定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710068541.1A CN106767835B (zh) | 2017-02-08 | 2017-02-08 | 定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106767835A true CN106767835A (zh) | 2017-05-31 |
CN106767835B CN106767835B (zh) | 2020-09-25 |
Family
ID=58956078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710068541.1A Active CN106767835B (zh) | 2017-02-08 | 2017-02-08 | 定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106767835B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
WO2019000468A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 用户位置识别方法、装置、存储介质及电子设备 |
WO2019019786A1 (zh) * | 2017-07-27 | 2019-01-31 | 杭州海康威视数字技术股份有限公司 | 一种车辆定位方法、装置及设备 |
CN110677815A (zh) * | 2019-08-07 | 2020-01-10 | 北京百度网讯科技有限公司 | 停留点识别方法、装置、计算机设备及存储介质 |
CN110930187A (zh) * | 2019-11-19 | 2020-03-27 | 北京百度网讯科技有限公司 | 店铺到访人群挖掘方法、装置、设备和介质 |
CN111132029A (zh) * | 2019-10-16 | 2020-05-08 | 张苏 | 基于地形约束的定位方法及装置 |
CN111126736A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 企业客流量确定方法、装置、服务器及存储介质 |
US11379741B2 (en) | 2019-08-07 | 2022-07-05 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus and storage medium for stay point recognition and prediction model training |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393035A (zh) * | 2007-09-21 | 2009-03-25 | 株式会社电装 | 路径长度算出装置及路径长度算出方法 |
CN102298608A (zh) * | 2010-06-16 | 2011-12-28 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
CN105138590A (zh) * | 2015-07-31 | 2015-12-09 | 北京嘀嘀无限科技发展有限公司 | 轨迹预测方法和装置 |
CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN105893537A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 地理信息点的确定方法和装置 |
-
2017
- 2017-02-08 CN CN201710068541.1A patent/CN106767835B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393035A (zh) * | 2007-09-21 | 2009-03-25 | 株式会社电装 | 路径长度算出装置及路径长度算出方法 |
CN102298608A (zh) * | 2010-06-16 | 2011-12-28 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
CN105138590A (zh) * | 2015-07-31 | 2015-12-09 | 北京嘀嘀无限科技发展有限公司 | 轨迹预测方法和装置 |
CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN105893537A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 地理信息点的确定方法和装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11082806B2 (en) | 2017-06-30 | 2021-08-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method of identifying user location, storage medium and electronic device |
WO2019000468A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 用户位置识别方法、装置、存储介质及电子设备 |
CN109307512A (zh) * | 2017-07-27 | 2019-02-05 | 杭州海康威视数字技术股份有限公司 | 一种车辆定位方法、装置及设备 |
WO2019019786A1 (zh) * | 2017-07-27 | 2019-01-31 | 杭州海康威视数字技术股份有限公司 | 一种车辆定位方法、装置及设备 |
CN108875007A (zh) * | 2018-06-15 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
CN108875007B (zh) * | 2018-06-15 | 2019-12-17 | 腾讯科技(深圳)有限公司 | 兴趣点的确定方法和装置、存储介质、电子装置 |
CN111126736A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 企业客流量确定方法、装置、服务器及存储介质 |
CN111126736B (zh) * | 2018-11-01 | 2023-09-01 | 百度在线网络技术(北京)有限公司 | 企业客流量确定方法、装置、服务器及存储介质 |
CN110677815A (zh) * | 2019-08-07 | 2020-01-10 | 北京百度网讯科技有限公司 | 停留点识别方法、装置、计算机设备及存储介质 |
US11379741B2 (en) | 2019-08-07 | 2022-07-05 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus and storage medium for stay point recognition and prediction model training |
US11418918B2 (en) | 2019-08-07 | 2022-08-16 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, computer device and storage medium for stay point recognition |
CN111132029A (zh) * | 2019-10-16 | 2020-05-08 | 张苏 | 基于地形约束的定位方法及装置 |
CN110930187A (zh) * | 2019-11-19 | 2020-03-27 | 北京百度网讯科技有限公司 | 店铺到访人群挖掘方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106767835B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106767835A (zh) | 定位方法和装置 | |
US11449908B2 (en) | Method and system for determining transport service fee | |
AU2016102423A4 (en) | System and method for determining vehicle load status | |
CN105893537B (zh) | 地理信息点的确定方法和装置 | |
AU2019236639A1 (en) | Methods and systems for providing information for an on-demand service | |
CN106912018A (zh) | 基于信令轨迹的地图匹配方法及*** | |
CN107679189A (zh) | 一种兴趣点更新方法、装置、服务器和介质 | |
CN108268573A (zh) | 用于推送信息的方法和装置 | |
CN105554704A (zh) | 推荐***中基于假轨迹的位置隐私保护方法 | |
CN105468580A (zh) | 基于关注点信息提供服务的方法和装置 | |
CN107124476A (zh) | 信息推送方法和装置 | |
US20170045365A1 (en) | Travel planner platform for providing quality tourism information | |
CN110503485B (zh) | 地理区域分类方法及装置、电子设备、存储介质 | |
CN104636457B (zh) | 一种位置搜索认知的方法及装置 | |
CN109688532A (zh) | 一种划分城市功能区域的方法及装置 | |
CN105989024A (zh) | 确定用户所在的位置区域的方法和装置 | |
CN107883974A (zh) | 导航路径的规划方法、导航服务器及计算机可读介质 | |
CN109242043A (zh) | 用于生成信息预测模型的方法和装置 | |
CN106855878A (zh) | 基于电子地图的历史行车轨迹显示方法和装置 | |
CN110059849A (zh) | 路径确定方法和装置 | |
CN111104468B (zh) | 一种基于语义轨迹推断用户活动的方法 | |
CN108549649B (zh) | 一种基于季节特征和位置特征的乡村旅游推荐方法与*** | |
CN109800903A (zh) | 一种基于出租车轨迹数据的盈利路线规划方法 | |
Chaudhuri et al. | Application of web-based Geographical Information System (GIS) in tourism development | |
Chen et al. | Itinerary planning via deep reinforcement learning |
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 |