CN109891190B - 基于衍生社交网络对个人进行地理定位 - Google Patents
基于衍生社交网络对个人进行地理定位 Download PDFInfo
- Publication number
- CN109891190B CN109891190B CN201780062122.5A CN201780062122A CN109891190B CN 109891190 B CN109891190 B CN 109891190B CN 201780062122 A CN201780062122 A CN 201780062122A CN 109891190 B CN109891190 B CN 109891190B
- Authority
- CN
- China
- Prior art keywords
- user
- centroid
- venue
- location
- location information
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
- Information Transfer Between Computers (AREA)
Abstract
用于基于其他用户的位置确定用户的位置的技术。接收第一用户位置信息和第二用户位置信息。第一用户位置信息包括与第一用户定位相关联的第一图心和第一半径,并且第二用户位置信息包括与第二用户定位相关联的第二图心和第二半径。第二用户还与第二用户场地信息相关联。基于第一用户半径和第二用户半径之间的重叠量以及指示第一用户和第二用户之间的社交关系的强度的社交度量来确定第一用户和第二用户之间的场地相关性得分。当关系得分超过阈值时,基于第二用户场地信息创建第一用户的场地信息。
Description
相关申请的交叉引用
本申请要求于2016年8月11日提交的美国临时申请No.62/373664的优先权,其通过引用并入本文。
技术领域
本发明的实施例一般涉及分析用户位置数据,并且具体地,涉及基于衍生社交网络对个人进行地理定位(geo-locating)。
背景技术
尽管移动电话能够在时间点记录用户的地理位置(纬度、经度),但仍然难以查明个人居住的场地(venue)。这是因为位置点通常缺乏密度和精确度两者。
移动电话通常由于电池限制而稀疏地记录位置(频繁的位置点将耗尽电话的电池)。当它们被记录时,该点不总是精确的,通常包含大量的不确定性(例如,100米半径)。在人口稠密的城市地区,这种不确定性更复杂,其中在不确定半径范围内可能存在许多场地。因此,仍然难以知道用户实际住在哪个场地。
发明内容
公开了用于基于其他用户的位置来确定用户的位置的***和方法。在一些实施例中,计算设备从第一用户设备确定与第一用户相关联的第一用户位置信息,第一用户位置信息包括与第一用户定位相关联的第一图心(centroid)和第一半径。在一些实施例中,计算设备从第二用户设备接收与第二用户相关联的第二用户位置信息,第二用户位置信息包括与第二用户定位相关联的第二图心和第二半径,第二用户还与第二用户场地信息相关联。在一些实施例中,计算设备基于以下来确定第一用户和第二用户之间的场地相关性得分:第一用户半径和第二用户半径之间的重叠量以及指示第一用户和第二用户之间的社交关系的强度的社交度量,在接收第一用户位置信息和第二用户位置信息之前,社交关系至少部分地由第一用户在第二用户的邻近位置的次数和时间量来定义。在一些实施例中,当关系得分超过阈值时,计算设备基于第二用户场地信息为第一用户创建场地信息。
在一些实施例中,第一图心与第一纬度和经度相关联,第一半径与第一图心的位置的精确度相关联,第二图心与第二纬度和经度相关联,第二半径与第二图心的位置的精确度相关联。在一些实施例中,第一用户信息还包括第一用户设备标识符和第一用户持续时间,第一用户持续时间包括对应于与第一图心相关联的第一用户的开始时间和结束时间。在一些实施例中,第二用户信息还包括第二用户标识符和第二用户持续时间,与开始时间和结束时间相关联的第二用户持续时间对应于与第二图心相关联的第二用户。在一些实施例中,场地相关性得分基于第一用户持续时间和第二用户持续时间之间的重叠量。在一些实施例中,场地相关性得分还基于分配给第二用户场地信息的置信水平。在一些实施例中,社交度量还由以下中的至少一个来定义:第一用户和第二用户之间的关系长度;和作为个人或职业的关系。在一些实施例中,阈值基于以下中的至少一个:接收到的阈值;与多个用户相关联的关系得分的分布;以及机器学习算法对多个用户位置信息和用户场地信息的应用。
在回顾以下附图、详细描述和权利要求之后,将更全面地理解所公开主题的这些和其他能力。要理解的是,本文采用的措辞和术语是出于描述的目的,且不应被视为限制。
附图说明
当结合以下附图考虑时,参考以下对所公开主题的详细描述,可以更全面地理解所公开主题的各种目的、特征和优点,在附图中相同的附图标记识别相同的元件。
图1是示出了根据本公开的一些实施例的网络化***的***图。
图2是示出了根据本公开的一些实施例的社交图的图。
图3是示出了根据本公开的一些实施例的与用户访问相关联的GPS信息的图。
图4是示出了根据本公开的一些实施例的收集与用户访问相关联的位置信息的图。
图5是示出了根据本公开的一些实施例的收集与用户访问相关联的场地信息的图。
图6是示出了根据本公开的一些实施例的为用户分配场地信息的流程图。
图7是示出了根据本公开的一些实施例的分配场地信息的示例的图。
具体实施方式
本文描述了通过利用用户的衍生社交网络来克服跟踪个人用户位置的约束的技术。也就是说,即使用户没有公开她的确切位置,如果用户与已经公开他的位置的社交连接共住(co-dwelling),则可以基于社交连接的位置推断用户最可能的位置。
在一些实施例中,本文描述的技术利用用户的社交网络和其他数据源来基于与用户相关联的GPS信息(例如,由他们的电话生成)对用户的确切位置做出可靠的推断。在一些实施例中,参考社交连接停留在相同位置的时间量,用户居住在特定位置的时间量(本文也称为“访问”)也通知与用户相关联的场地信息。
在一些实施例中,本文描述的***和方法接收关于两个用户A和B的信息以及关于他们的住所的信息(纬度和经度、水平精确度、到达和离开时间)。本文描述的***和方法确定A位于场地V(例如Restaurant Mario)(因为用户告诉***和/或因为强大的算法证据),并且可以通过利用A和B之间的社交连接信息以及其他上下文信息(例如,用户各自访问的时间和地理接近度,用户自己的偏好和习惯)在同一场地标记B。
可以使用各种技术来收集用户信息并创建衍生社交网络,例如,如下面的图1和图2中所描述的。另外,在2016年10月20日提交的题为“System and Method for DetectingInteraction and Influence in Networks”的美国申请No.15/298,353中更详细地描述了用于收集用户信息以创建和修改衍生社交网络的***和方法,其内容被并入本文。
图1是示出了根据本公开的一些实施例的网络化***100的***图。图1示出了用户设备102、网络104、服务器106和数据库108。
用户设备102可以与参与本文描述的位置跟踪***和方法的用户相关联,并且可以从参与网络化***的用户收集信息。在一些实施例中,用户设备102可以包括能够记录和发送关于用户与另一用户或位置的接近度的信息的任何计算机化设备。在一些实施例中,计算机化设备可以包括可以安装有便于收集数据的移动应用的智能手表、智能电话、平板电脑、计算机、膝上型电脑或汽车。
在一些实施例中,用户设备102可以包括车载数据收集代理,诸如自动机载诊断模块、遥测和远程信息处理模块、转发器、机载GPS模块以及收集相关数据的其他***。
在一些实施例中,用户设备102可以包括消费者可穿戴设备或健康监视器,诸如Jawbone Up、Fitbit Charge或Apple Watch设备。
在一些实施例中,数据可以从用户设备302直接传送到网络304(例如,在移动应用的情况下),或者可以通过中间步骤被收集。例如,在车辆遥测***的情况下,可以利用中间模块从机载设备收集信息并在无线链路上将其传送到智能电话,其中其然后可以被传送到网络304。
在一些实施例中,移动应用可以被安装在用户的智能电话计算设备上,并为用户提供选择加入各种数据收集机制的能力。例如,用户可以通过移动app允许本文所述的***收集用户的联系人、Facebook好友、Instagram好友、随时间推移的定位数据、以及使用智能电话计算设备进行的支付、电话和消息发送模式。
在一些实施例中,用户设备102可以采取提供有各种连接设备的应用或小程序的形式。例如,嵌入在DVR中的app可以传送关于观看习惯和偏好的数据,而嵌入在汽车导航***中的软件可以传送关于定位和驾驶模式的数据。
本领域技术人员将理解的是,对可以与本公开中描述的***一起使用的用户设备的类型和种类没有限制。
网络104实现用户设备102之间的通信。网络104可以是诸如因特网的公共网络,其中用户设备102和服务器104中的每一个使用诸如Wi-Fi、以太网和4G无线的通信协议经由网关连接。可替换地,网络104可以是诸如局域网(LAN)的封闭网络,其中关系分析***的各种组件在开放因特网上不可访问。在一些实施例中,可以加密经由网络304的通信,或者可以利用附加安全协议,诸如虚拟专用网络(VPN)或安全接壳(SSH)隧道。
服务器106可以包括实施用于保存关于用户收集的数据的数据库108的一个或多个服务器计算机。在一些实施例中,服务器106的特定配置可以取决于许多因素,诸如数据库的类型、数据库的预期大小和用户性能期望。在一些实施例中,***是可缩放的,并且可以在需求增加时添加附加的处理容量。
图2是示出了根据本公开的一些实施例的社交图200的图。社交图200包括节点202204 206、节点参数212 214 216和链路220 222 224。
如上所述,社交图200是表示实体和实体之间的关系的一种方式。使实体和与实体的关系可视化的其他方法(例如,矩阵)同样适用于本文描述的***和方法。
节点202 204 206表示实体并且每个都与参数212 214 216的集合相关联。如上所述,可以基于从数据收集节点110接收到的信息将参数212 214 216分别分配给节点202204 206。实体可以包括人员、组织和设备。参数212 214 216可以包括识别实体并描述与实体相关联的位置、活动或交易的关系中的至少一个的信息。例如,如果实体是人,则参数可以包括身份证号、生日、性别、雇主、信用评级,位置(和位置精确度)、工资、最近交易和最近活动。作为另一示例,如果实体是公司,则节点可以包括诸如以下的属性:公司ID、供应商ID、公司名称、创建年份、地址、行业、行业排名、信用评级、表示为公司的经度和纬度的位置信息、以及位置坐标精确度的置信水平的指示符。公司位置信息可以用于确定个人的移动和互动。在一些实施例中,参数信息可以与观察、接收或处理参数信息的时间相关联。
如本文所使用的,交易可以是指购买(例如,衣服、食物、旅行、商品),并且活动可以是指事件(例如,体育赛事、课程、派对)。
节点(例如,节点202)可以经由链路220 222 224连接到其他节点(例如,节点204和节点206)。链路可以表示实体之间的关系强度或者与实体相关联的参数之间的强度。实体之间的关系强度可以取决于所涉及的实体的性质和手头证据而变化。在一些实施例中并且如下面更详细描述的,较小得分被认为是更好的并且类似于距离。关系强度值可以被称为节点之间的距离,并且以本文中称为轴突的单元来测量。
在实施例中,提供了表示实体的有效范围的子图。这些子图(称为自我中心网络)是实体的距离受限子图。在实施例中,一旦创建了社交图,自我中心网络就是所有进一步处理的基本单元。可以使用以下准则生成自我中心网络:
可以设置最大遍历距离,将子图限制为小于以轴突测量到的最大遍历距离的路径。在一些实施例中,最大遍历距离可以被设置为100000个轴突,但是可以取决于应用而利用其他设置。
通过将距离乘以惩罚,可以将跳惩罚应用于路径中的每个跳的距离。例如,如果节点之间的第一跳具有5的惩罚并且第一跳的距离是100个轴突,则它将有效地具有500个轴突的缩放距离。
可以并入遍历超时以限制能够导致处理延迟的大型网络。遍历超时是在均衡图中不应是必需的缓和措施。在一些实施例中,遍历超时可以被设置为15秒,但是变化可以取决于***而使用。
取决于自我中心网络的根源是个人还是实体,可以执行对自我中心网络生成的附加限制,诸如对遍历期间所考虑的网络特性的限制。
在一些实施例中,可以基于实体之间的期望共性因子来创建不同的社交图。在这种情况下,相关的自我中心网络可以彼此不同。例如,在确定实体对节点202的影响时,如果查询涉及在城市A中的相关餐馆建议方面将具有与节点202最大相关性的实体,则到节点204的链路220可以更强,而如果查询涉及在休闲服装的相关零售商方面将具有与节点202最大相关性的实体,则到节点206的链路224可以更强。
在一些实施例中并且如下面更详细描述的,与用户对各个位置(以及可能的场地)表的访问相关联的信息可以用于计算每对用户之间的相似性。如果发现两个用户足够相似,则他们可以成为整个连接图中的实体。对于每个连接,存在表示两个用户中的每个的两个节点(例如,202和204)和权重(或得分)(例如,220),其是指示两个节点之间的连接强度的0和1之间的实数。
在一些实施例中,当两个用户在近距离上花费相对高比例的时间时,与用户之间的社交连接的存在相关联的置信水平因此增加。更近的连接通常会在不同地方(例如不仅在工作时,而且下班后在酒吧并且周末一起在一个用户家中)花费更多的时间。更远的连接通常会在较少变化的位置一起花费相对较少的时间。
可以基于实体的变化参数来确定实体的共性因子。例如,当实体行进到新位置时,可以基于与行进到新地方(例如,旅馆、租车、餐馆)相关的因素来创建社交图。作为另一示例,变化参数可以包括特定购买或注意到的购买模式。在一些实施例中,变化参数可以确定实体对区域的熟悉度。社交图在实体的家乡可能看起来与实体之前从未访问过的地方非常不同。例如,旅馆可以在实体的家乡具有与实体正访问的新地方(熟悉度较低的地方)不同的相关性值。在一些实施例中,变化参数信息包括与变化参数相关联的位置和时间两者。
在一些实施例中,得分关系强度可以取决于所涉及的实体的性质和可用的信息而变化。例如,可以使用诸如以下的度量来评估两个人之间的关系:该关系的长度、关系是个人还是职业、两个人在同一位置的频率以及个人访问类似位置的频率等。类似地,个人与特定品牌之间的关系可以包括:个人购买该品牌的时间、个人购买竞争品牌的频率、以及与另一产品同时购买一种产品的频率等。虽然根据类型可能在关系特性之间存在重叠,但也可能存在差异。
在测量关系强度时,可以以轴突评估得分,这在上面简要提到。较小得分被认为更好,并且类似于距离。除了得分关系之外,还可以对实体的中心性进行评分,以量化网络中实体的连通性,其继而测量该实体的影响力。
可以使用基于关系的特性对关系进行评分的加权互连来表示个人关系。在实施例中,特性包括持续时间、年份、交互、信任/变化、控制以及和谐。描述计算两个用户之间的连接的权重的附加细节可以在2016年10月20日提交的题为“System and Method forDetecting Interaction and Influence in Networks”的美国申请No.15/298,353中找到,其内容被并入本文。
图3是示出了根据本公开的一些实施例的与用户访问相关联的GPS信息的图。图3示出了图心300和图心半径301。
在一些实施例中,“访问”是具有由特定用户设备(例如移动电话)生成的开始时间和结束时间(例如,“2016/28/11 10:30:00+00:00”)的GPS对(lat,lon)。访问可以在空间中用圆表示:图心300是设备记录访问的地方,并且半径301描绘如由设备判断的该记录的水平精确度。通常,半径越大,关于用户定位的置信度越小。
图4是示出了根据本公开的一些实施例的收集与用户访问相关联的位置信息的图。图4示出了访问对象402、数据库404、用户数据表406、访问ID 410和设备ID 412。
访问对象402从用户设备102上传到服务器106。访问对象402包括用户的位置信息,其包括图心、精确度、开始时间和结束时间。访问对象的格式可以是用户设备102和服务器106商定的任何格式,例如以JSON格式,如下所示:
服务器106可以在数据库108中持久访问对象402信息以用于进一步分析。数据库108中的信息可以在访问数据表404中被组织,其为每个对象分配表404中的访问ID 410和设备ID 412。可以使用存储ID和对象之间的关联的任何数据结构,例如,整数表如下所示:
访问Id | 设备Id |
111 | AAAABBBB |
222 | CCCCDDDD |
... | …. |
如下面在文本附图5中更详细描述的,访问ID 410可以用于将场地与用户关联。
图5是示出了根据本公开的一些实施例的收集与用户访问相关联的场地信息的图。图5示出了存储在数据表501中的场地数据502和场地ID 504。
场地数据502对应于与用户的位置相关联的场地信息。在一些实施例中,通过“登记”获得场地数据502。如本文所使用的“登记”是指由用户设备102的用户自愿执行的确认应该用场地(例如,餐厅马里奥)标记访问的动作。场地可以从场地表中提供给在用户设备102上运行的应用。还可以使用将访问映射到场地的其他场地确认过程(例如,***交易、来自其他软件应用的强算法证据)。场地信息可以用场地ID 504标记,例如,如下所示:
场地Id | 名称 |
2222 | 酒吧X |
3333 | 餐厅Y |
... | …. |
已经确认的场地数据502可以被上传作为将访问ID 410与场地ID 504映射的对象。场地ID 504可以对应于分配给场地的唯一ID。场地数据502对象可以是用户设备102和服务器106商定的任何格式,例如以JSON格式,如下所示:
场地ID 504可以以将访问ID 111与场地ID 504关联的方式被存储在数据库中。例如,可以使用整数表,如下所示:
访问Id | 设备Id | 场地ID |
111 | AAAABBBB | 2222 |
222 | CCCCDDDD | …. |
... | …. | ….. |
图6是示出了根据本公开的一些实施例的为用户分配场地信息的流程图。
参考步骤602,接收第一用户位置信息,第一用户位置信息包括与第一用户定位相关联的图心和半径。如上所述,位置信息可以包括:用户位置(例如,表示为使用经度和纬度的图心)、与在该位置处出现的用户相关联的持续时间(例如,通过开始时间和结束时间来测量)、以及用户在该位置处的置信水平(例如,通过与图心相关联的半径测量)。
参考步骤604,接收第二用户位置信息,第二用户位置信息包括与第二用户定位相关联的图心和半径以及与第二用户相关联的场地信息。如上所述,位置信息可以包括:用户位置(例如,表示为使用经度和纬度的图心)、与在该位置处出现的用户相关联的持续时间(例如,通过开始时间和结束时间来测量)、以及用户在该位置处的置信水平(例如,通过与图心相关联的半径来测量)。
同样如上所述,服务器接收与第二用户所处的特定场地有关的信息。场地可以是用语义元数据作为参数的位置(lat,lon对):例如,类别(餐厅、旅馆、体育场等)、名称、营业时间等。在一些实施例中,“登记”信息还与关于所讨论的停留和场地之间的匹配的可靠性的置信水平相关联。有助于可靠性的因素包括:用户对场地的确认(例如,用户关于场地的手动登记)、场地的第三方验证(例如,用户在场地进行的购买)以及其他算法证据。
参考步骤606,基于第一用户半径和第二用户半径之间的重叠量以及指示第一用户和第二用户之间的社交关系强度的社交度量,来确定第一用户和第二用户之间的关系得分。注意的是,以下仅是这种算法的示例,其可以采取各种形式(例如,阈值决策、概率决策树等)是:
·时间重叠度量*空间重叠度量*社交连接度量>阈值→user2将被分配user1场地信息
在一些实施例中,阈值可以被选择为相对较小,例如以收集更多用户数据(例如,触发更多用户确认并改善用户与软件应用的接合),而在其他实施例中,阈值可以被设置为更高以便使误报的数量最小化(例如,在高度敏感的数据应用中,人们可能更喜欢做出较少的推断,但也减少了错误)。
参考步骤608,当场地相关性得分超过阈值时,基于与第二用户相关联的场地信息为第一用户创建场地信息。例如,假设以下场景:
·USER 1,访问集中在<40.708793,-74.011013>,从09:10到09:45
·USER 2,访问集中在<40.708616,-74.011145>,从09:12到09:48
·USER 1确认访问位于百老汇115号(纽约州10006)的星巴克。
对于两个用户,可以计算决策算法中的特征值,如果满足条件,则可以为USER 2执行场地匹配,例如:
·时间重叠度量:33/38=0.86(在两个间隔中以分钟集合之间的Jaccard距离测量的时间重叠)
·空间重叠度量:1-0.044=0.956(两次访问(点对点)之间的距离为0.022km,缩放至理论最大值0.5km)
·社交连接度量:0.75(从社交图中读取属性,假设他们是亲密的朋友)
上面提到的每个特征可以以不同的方式计算(例如:水平精确度可以在空间重叠中明确使用)。此外,做出最终决定的算法在不同的实施例中可以是不同的:例如,可以将三个特征相乘并且基于特定于领域的知识启发式地设置阈值(类似于上面说明的IF-THEN关系);或者,作为另一示例,可以估计这些得分的分布,并且将阈值确定为标记第n百分位数的值(即,使得得分的n%的值不足以允许场地匹配)。最后,利用足够的训练数据,可以使用适合于决策问题的机器学习算法(例如逻辑回归、决策树)来学习基于时空特征和社交连接进行最终场地匹配决策的最佳方式。
图7是示出了根据本公开的一些实施例的分配场地信息的示例的图。图7示出了空间重叠地图700、用户A图心701、用户B图心702、用户A访问对象703以及用户B访问对象704。
如参考图7提到的用户A是已经具有确认场地的用户,而用户B是基于本文描述的***和方法被分配场地的用户。如空间重叠地图700中所示,用户A图心701和用户B图心702非常接近,并且每个图心的水平(径向)分量重叠。即使用户A图心701和用户B图心702没有精确匹配(例如,由他们的设备生成的GPS信号(访问)稍微移位),两个用户也有机会在同一场地。
用户A访问对象703和用户B访问对象704包括位置信息。位置信息包括设备ID、纬度、经度、hAccuracy(纬度/经度的水平精确度,与高度的垂直精确度相反)、开始时间和结束时间。如图7所示,在空间重叠地图700中所示的位置处找到用户A和用户B的时间重叠(例如,针对用户A的开始时间和结束时间是10:30和12:32,而针对用户B的开始时间和结束时间是10:21和12:43)。也就是说,用户B的访问仅在几分钟之前开始,并在用户A访问后几分钟结束。通常,用户访问时间匹配越接近,他们就越有可能在一起。
用户A访问对象703还包括场地ID信息,而用户B访问对象704不包括场地ID信息。如上所述,当关于场地信息的可靠性的置信水平超过阈值时,可以分配场地ID信息。有助于场地信息的可靠性的因素包括用户对场地的确认(例如,用户关于场地的手动登记)和场地的第三方验证(例如,用户在场地进行的购买)。在该示例中,用户A访问对象703具有场地信息,这是因为***确定用户A具有可靠的场地信息。
可以基于他们的位置信息和他们的社交连接信息之间的相关性的强度,为用户B分配用户A的场地信息。如所描述的,本文描述的***和方法可以考虑如上面在图2和2016年10月20日提交的题为“System and Method for Detecting Interaction andInfluence in Networks”的美国申请No.15/298,353(其内容被并入本文)中描述的A和B之间的社交连接的强度。假设用户A和用户B是密切的社交连接(例如,具有0.96的得分)并且位置信息重叠是显著的(超过置信阈值),则可以将用户A的场地ID分配或建议给用户B。
作为另一示例,假设一组用户全部一起去餐厅。他们的移动位置点被取代,看起来他们最有可能在街对面的另一个场地;此外,在位置点的不确定半径内有几个可能的场地。然而,一个用户公开了她的位置(例如,用***支付账单或用场地标记照片),从而确认她在该特定餐厅的存在。本文描述的***可以确定第一用户被紧密地地理定位到与其具有强烈社交关系的其他个人并且可以推断其他个人在同一位置。
本文描述的主题可以在数字电子电路中,或者在计算机软件、固件或硬件中实施,包括本说明书中公开的结构装置及其结构等同物,或者它们的组合。本文描述的主题可以被实施为一个或多个计算机程序产品,诸如有形地体现在信息载体中(例如,在机器可读存储设备中)或者体现在传播信号中的一个或多个计算机程序,以用于由数据处理装置(例如,可编程处理器、计算机或多个计算机)执行或控制数据处理装置的操作。计算机程序(也称为程序、软件、软件应用或代码)可以以任何形式的编程语言(包括编译或解释语言)编写,并且可以以任何形式(包括作为独立程序或者作为适合在计算环境中使用的模块、组件、子例程或其他单元)部署。计算机程序不一定对应于文件。程序可以存储在保存其他程序或数据的文件的一部分中,存储在专用于所讨论的程序的单个文件中,或存储在多个协调文件中(例如,存储一个或多个模块、子程序或部分代码的文件)。计算机程序可以被部署为在一个计算机上或在一个站点的多个计算机上执行,或者分布在多个站点上并通过通信网络互连。
本说明书中描述的过程和逻辑流程(包括本文描述的主题的方法步骤)可以由实行一个或多个计算机程序的一个或多个可编程处理器执行,以通过对输入数据进行操作和生成输出来执行本文描述的主题的功能。过程和逻辑流程也可以由本文描述的主题的装置执行,并且本文描述的主题的装置可以被实施为专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
例如,适合于执行计算机程序的处理器包括通用微处理器和专用微处理器两者,以及任何类型的数字计算机的任何一个或多个处理器。通常,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括或可操作地耦合以从用于存储数据的一个或多个大容量存储设备(例如磁盘,磁光盘或光盘)接收数据或将数据传输到其或两者都有。适用于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器,包括例如半导体存储器设备(例如,EPROM、EEPROM和闪存设备);磁盘,(例如,内部硬盘或可移动磁盘);磁光盘;和光盘(例如CD和DVD盘)。处理器和存储器可以由专用逻辑电路补充或并入专用逻辑电路中。
为了提供与用户的交互,本文描述的主题可以在具有以下的计算机上实施:用于向用户显示信息的显示设备,例如CRT(阴极射线管)或LCD(液晶显示器)监视器;以及键盘和指点设备(例如,鼠标或轨迹球),用户可以通过其向计算机提供输入。其他类型的设备也可以用于提供与用户的交互。例如,提供给用户的反馈可以是任何形式的感觉反馈(例如,视觉反馈、听觉反馈或触觉反馈),并且可以以任何形式接收来自用户的输入,包括声学、语音或触觉输入。
本文描述的主题可以在包括以下的计算机***中实施:后端组件(例如,数据服务器);中间件组件(例如,应用服务器);或前端组件(例如,具有图形用户界面的客户端计算机或用户可以通过其与本文描述的主题的实施交互的web浏览器);或者这种后端、中间件和前端组件的任何组合。***的组件可以通过任何形式或介质的数字数据通信(例如通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”),例如因特网。
要理解的是,所公开的主题不限于其应用于构造的细节和在以下描述中阐述的或在附图中示出的组件的布置。所公开的主题能够具有其他实施例并且能够以各种方式实践和执行。而且,要理解的是,本文采用的措辞和术语是为了描述的目的,且不应该被认为是限制性的。
因而,本领域技术人员将理解的是,本公开所基于的概念可以容易地用作设计用于实现所公开主题的若干目的的其他结构、方法和***的基础。因此,重要的是,在它们不脱离所公开的主题的精神和范围的情况下,权利要求被认为包括这样的等同构造。
尽管已经在前述示例性实施例中描述和说明了所公开的主题,但是理解的是,本公开仅仅通过示例的方式进行,并且所公开的主题的实施细节的许多变化可以在不脱离所公开主题的精神和范围(其可以仅由所附权利要求限制)的情况下进行。
Claims (20)
1.一种基于其他用户的位置确定一用户的位置的计算机化方法,该计算机化方法包括:
在计算设备处通过网络从第一用户设备接收与第一用户相关联的第一用户位置信息,所述第一用户位置信息包括与第一用户定位相关联的第一图心和第一图心半径,其中所述第一图心是所述第一用户设备记录访问的地方,并且所述第一图心半径与所述第一图心的位置的精确度相关联;
在所述计算设备处通过网络从第二用户设备接收与第二用户相关联的第二用户位置信息,所述第二用户位置信息包括与第二用户定位相关联的第二图心和第二图心半径,所述第二用户还与第二用户场地信息相关联,其中所述第二图心是所述第二用户设备记录访问的地方,并且所述第二图心半径与所述第二图心的位置的精确度相关联;
在所述计算设备处基于所述第一用户的第一图心半径和所述第二用户的第二图心半径之间的重叠量以及指示所述第一用户和所述第二用户之间的社交关系的强度的社交度量来确定所述第一用户和所述第二用户之间的场地相关性得分,在接收所述第一用户位置信息和所述第二用户位置信息之前,所述社交关系至少部分地由所述第一用户在所述第二用户的邻近位置的次数和时间量来定义;以及
当所述场地相关性得分超过阈值时,在所述计算设备处基于所述第二用户场地信息创建所述第一用户的场地信息。
2.根据权利要求1所述的计算机化方法,其中,所述第一图心与第一纬度和经度相关联,并且所述第二图心与第二纬度和经度相关联。
3.根据权利要求1所述的计算机化方法,其中:
所述第一用户位置信息还包括第一用户设备标识符和第一用户持续时间,包括第一开始时间和结束时间的所述第一用户持续时间对应于与所述第一图心相关联的第一用户;并且
所述第二用户位置信息还包括第二用户设备标识符和第二用户持续时间,与第二开始时间和结束时间相关联的第二用户持续时间对应于与所述第二图心相关联的第二用户。
4.根据权利要求3所述的计算机化方法,其中,所述场地相关性得分基于所述第一用户持续时间和所述第二用户持续时间之间的重叠量。
5.根据权利要求1所述的计算机化方法,其中,所述场地相关性得分还基于被分配给所述第二用户场地信息的置信水平。
6.根据权利要求1所述的计算机化方法,其中,所述社交度量还由以下中的至少一个定义:
所述第一用户和所述第二用户之间的关系的长度;和
作为个人或职业的关系。
7.根据权利要求1所述的计算机化方法,其中,所述阈值基于以下中的至少一个:
接收到的阈值;
与多个用户相关联的关系得分的分布;以及
机器学习算法到多个用户位置信息和用户场地信息的应用。
8.一种用于基于其他用户的位置确定一用户的位置的计算***,该计算***包括:
处理器;和
存储器,该存储器耦合到所述处理器并包括计算机可读指令,当其由所述处理器执行时,所述计算机可读指令致使所述处理器:
通过网络从第一用户设备接收与第一用户相关联的第一用户位置信息,所述第一用户位置信息包括与第一用户定位相关联的第一图心和第一图心半径,其中所述第一图心是所述第一用户设备记录访问的地方,并且所述第一图心半径与所述第一图心的位置的精确度相关联;
通过网络从第二用户设备接收与第二用户相关联的第二用户位置信息,所述第二用户位置信息包括与第二用户定位相关联的第二图心和第二图心半径,所述第二用户还与第二用户场地信息相关联,其中所述第二图心是所述第二用户设备记录访问的地方,并且所述第二图心半径与所述第二图心的位置的精确度相关联;
基于所述第一用户的第一图心半径和所述第二用户的第二图心半径之间的重叠量以及指示所述第一用户和所述第二用户之间的社交关系的强度的社交度量来确定所述第一用户和所述第二用户之间的场地相关性得分,在接收所述第一用户位置信息和所述第二用户位置信息之前,所述社交关系至少部分地由所述第一用户在所述第二用户的邻近位置的次数和时间量来定义;并且
当所述场地相关性得分超过阈值时,基于所述第二用户场地信息创建所述第一用户的场地信息。
9.根据权利要求8所述的计算***,其中,所述第一图心与第一纬度和经度相关联,并且所述第二图心与第二纬度和经度相关联。
10.根据权利要求8所述的计算***,其中:
所述第一用户位置信息还包括第一用户设备标识符和第一用户持续时间,包括第一开始时间和结束时间的所述第一用户持续时间对应于与所述第一图心相关联的第一用户;并且
所述第二用户位置信息还包括第二用户设备标识符和第二用户持续时间,与第二开始时间和结束时间相关联的第二用户持续时间对应于与所述第二图心相关联的第二用户。
11.根据权利要求10所述的计算***,其中,所述场地相关性得分基于所述第一用户持续时间和所述第二用户持续时间之间的重叠量。
12.根据权利要求8所述的计算***,其中,所述场地相关性得分还基于被分配给所述第二用户场地信息的置信水平。
13.根据权利要求8所述的计算***,其中,所述社交度量还由以下中的至少一个定义:
所述第一用户和所述第二用户之间的关系的长度;和
作为个人或职业的关系。
14.根据权利要求8所述的计算***,其中,所述阈值基于以下中的至少一个:
接收到的阈值;
与多个用户相关联的关系得分的分布;以及
机器学习算法到多个用户位置信息和用户场地信息的应用。
15.一种具有可执行指令的非暂时性计算机可读介质,所述可执行指令可操作以使装置:
通过网络从第一用户设备接收与第一用户相关联的第一用户位置信息,所述第一用户位置信息包括与第一用户定位相关联的第一图心和第一图心半径,其中所述第一图心是所述第一用户设备记录访问的地方,并且所述第一图心半径与所述第一图心的位置的精确度相关联;
通过网络从第二用户设备接收与第二用户相关联的第二用户位置信息,所述第二用户位置信息包括与第二用户定位相关联的第二图心和第二图心半径,所述第二用户还与第二用户场地信息相关联,其中所述第二图心是所述第二用户设备记录访问的地方,并且所述第二图心半径与所述第二图心的位置的精确度相关联;
基于所述第一用户的第一图心半径和所述第二用户的第二图心半径之间的重叠量以及指示所述第一用户和所述第二用户之间的社交关系的强度的社交度量来确定所述第一用户和所述第二用户之间的场地相关性得分,在接收所述第一用户位置信息和所述第二用户位置信息之前,所述社交关系至少部分地由所述第一用户在所述第二用户的邻近位置的次数和时间量来定义;并且
当所述场地相关性得分超过阈值时,基于所述第二用户场地信息创建所述第一用户的场地信息。
16.根据权利要求15所述的非暂时性计算机可读介质,其中,所述第一图心与第一纬度和经度相关联,并且所述第二图心与第二纬度和经度相关联。
17.根据权利要求15所述的非暂时性计算机可读介质,其中:
所述第一用户位置信息还包括第一用户设备标识符和第一用户持续时间,包括第一开始时间和结束时间的第一用户持续时间对应于与所述第一图心相关联的第一用户;并且
所述第二用户位置信息还包括第二用户设备标识符和第二用户持续时间,与第二开始时间和结束时间相关联的第二用户持续时间对应于与所述第二图心相关联的第二用户。
18.根据权利要求17所述的非暂时性计算机可读介质,其中,所述场地相关性得分基于所述第一用户持续时间和所述第二用户持续时间之间的重叠量。
19.根据权利要求15所述的非暂时性计算机可读介质,其中,所述场地相关性得分还基于被分配给所述第二用户场地信息的置信水平。
20.根据权利要求15所述的非暂时性计算机可读介质,其中,所述社交度量还由以下中的至少一个来定义:
所述第一用户和所述第二用户之间的关系的长度;和
作为个人或职业的关系。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662373664P | 2016-08-11 | 2016-08-11 | |
US62/373,664 | 2016-08-11 | ||
PCT/US2017/046443 WO2018031860A1 (en) | 2016-08-11 | 2017-08-11 | Geo-locating individuals based on a derived social network |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109891190A CN109891190A (zh) | 2019-06-14 |
CN109891190B true CN109891190B (zh) | 2020-12-29 |
Family
ID=61159574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780062122.5A Active CN109891190B (zh) | 2016-08-11 | 2017-08-11 | 基于衍生社交网络对个人进行地理定位 |
Country Status (12)
Country | Link |
---|---|
US (3) | US10264080B2 (zh) |
EP (1) | EP3497403B1 (zh) |
CN (1) | CN109891190B (zh) |
DK (1) | DK3497403T3 (zh) |
ES (1) | ES2892198T3 (zh) |
HU (1) | HUE057108T2 (zh) |
LT (1) | LT3497403T (zh) |
PL (1) | PL3497403T3 (zh) |
PT (1) | PT3497403T (zh) |
RU (1) | RU2701122C1 (zh) |
SI (1) | SI3497403T1 (zh) |
WO (1) | WO2018031860A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10732297B2 (en) * | 2016-08-30 | 2020-08-04 | Faraday&Future Inc. | Geo-pairing detection |
CN109547924B (zh) * | 2018-11-26 | 2021-06-01 | 苏州达家迎信息技术有限公司 | 位置信息分享方法、装置、设备及存储介质 |
US11070947B2 (en) * | 2019-07-25 | 2021-07-20 | Ford Global Technologies, Llc | Distributed wireless network assisted object location |
US11869014B2 (en) * | 2020-05-29 | 2024-01-09 | Salesforce, Inc. | Physical proximity graphing |
CN114219053B (zh) * | 2022-02-23 | 2023-04-18 | 北京淇瑀信息科技有限公司 | 用户位置信息处理方法、装置及电子设备 |
CN116456281A (zh) * | 2023-05-12 | 2023-07-18 | 中国电信股份有限公司广东研究院 | 基于种子用户轨迹确定共址用户的方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101073274A (zh) * | 2004-05-12 | 2007-11-14 | 谷歌公司 | 用于移动设备的基于位置的社会软件 |
CN101465879A (zh) * | 2007-12-21 | 2009-06-24 | 音乐会技术公司 | 用于识别暂时朋友的***和方法 |
US8447516B1 (en) * | 2012-08-31 | 2013-05-21 | Google Inc. | Efficient proximity detection |
CN103891317A (zh) * | 2011-10-17 | 2014-06-25 | 诺基亚公司 | 用于与位置相关的个性化隐私推荐的自动方法 |
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
Family Cites Families (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6275707B1 (en) * | 1999-10-08 | 2001-08-14 | Motorola, Inc. | Method and apparatus for assigning location estimates from a first transceiver to a second transceiver |
AU3929201A (en) * | 2000-03-13 | 2001-09-24 | Nokia Corporation | Service provision in a communication system |
WO2001090920A2 (en) * | 2000-05-24 | 2001-11-29 | Switchboard Incorporated | Geographical comparison system and method |
US6968179B1 (en) | 2000-07-27 | 2005-11-22 | Microsoft Corporation | Place specific buddy list services |
AU2003278466A1 (en) | 2002-12-05 | 2004-06-23 | Koninklijke Philips Electronics N.V. | Transportation payment |
US20090018918A1 (en) | 2004-11-04 | 2009-01-15 | Manyworlds Inc. | Influence-based Social Network Advertising |
US7231209B2 (en) * | 2005-04-20 | 2007-06-12 | Nokia Corporation | Radio system, terminal device, computer program product, and method of defining availability of queried devices |
DE602005009872D1 (de) * | 2005-05-31 | 2008-10-30 | Ericsson Telefon Ab L M | Positionierung in einem mobilkommunikationssystem |
US9105039B2 (en) * | 2006-01-30 | 2015-08-11 | Groupon, Inc. | System and method for providing mobile alerts to members of a social network |
BRPI0709329A2 (pt) * | 2006-03-20 | 2011-07-12 | Riform Pty Ltd | método para determinar uma relação entre um primeiro animal e um segundo animal, e um sistema para determinar uma relação entre um primeiro animal e um segundo animal |
US20070225911A1 (en) | 2006-03-23 | 2007-09-27 | Rich Chanick | User positional and venue information integration system and method |
US9031583B2 (en) * | 2007-04-11 | 2015-05-12 | Qualcomm Incorporated | Notification on mobile device based on location of other mobile device |
US8923887B2 (en) * | 2007-09-24 | 2014-12-30 | Alcatel Lucent | Social networking on a wireless communication system |
EP2225858A1 (en) | 2007-11-14 | 2010-09-08 | QUALCOMM Incorporated | Methods and systems for determining a geographic user profile to determine suitability of targeted content messages based on the profile |
US20120047087A1 (en) | 2009-03-25 | 2012-02-23 | Waldeck Technology Llc | Smart encounters |
WO2010118003A2 (en) | 2009-04-06 | 2010-10-14 | Globys, Inc. | Contextual targeting based upon customer occasions |
GB0907361D0 (en) * | 2009-04-29 | 2009-06-10 | Lok8U Ltd | A tracking and communications device |
KR101626446B1 (ko) * | 2009-08-21 | 2016-06-02 | 삼성전자주식회사 | 외부 장치를 연결하는 방법 및 그 장치 |
US8433334B2 (en) * | 2010-01-15 | 2013-04-30 | Apple Inc. | Managing a location database for network-based positioning system |
US20120066303A1 (en) * | 2010-03-03 | 2012-03-15 | Waldeck Technology, Llc | Synchronized group location updates |
US9760885B1 (en) | 2010-03-23 | 2017-09-12 | Amazon Technologies, Inc. | Hierarchical device relationships for geolocation-based transactions |
JP2012015924A (ja) * | 2010-07-02 | 2012-01-19 | Sony Computer Entertainment Inc | 通信システム、通信方法、プログラム及び情報記憶媒体 |
US8538389B1 (en) * | 2010-07-02 | 2013-09-17 | Mlb Advanced Media, L.P. | Systems and methods for accessing content at an event |
US8284748B2 (en) * | 2010-07-07 | 2012-10-09 | Apple Inc. | Ad hoc formation and tracking of location-sharing groups |
US8983978B2 (en) | 2010-08-31 | 2015-03-17 | Apple Inc. | Location-intention context for content delivery |
WO2012028903A1 (en) * | 2010-09-01 | 2012-03-08 | Nokia Corporation | Localization based on individual location patterns |
US8504062B2 (en) * | 2010-11-01 | 2013-08-06 | Wavemarket, Inc. | System and method for aggregating and associating mobile device location data |
US10438299B2 (en) | 2011-03-15 | 2019-10-08 | Visa International Service Association | Systems and methods to combine transaction terminal location data and social networking check-in |
US20120259791A1 (en) * | 2011-04-07 | 2012-10-11 | Sabina Zoidze | System and method for social networking |
US8494554B2 (en) * | 2011-06-03 | 2013-07-23 | Apple Inc. | Mobile device location estimation |
EP2735187A4 (en) | 2011-07-20 | 2015-12-02 | Ebay Inc | LOCATION-CONSIDERED REAL-TIME RECOMMENDATIONS |
US8787944B2 (en) | 2011-08-18 | 2014-07-22 | Rivada Research, Llc | Method and system for providing enhanced location based information for wireless handsets |
US9208511B2 (en) * | 2011-08-22 | 2015-12-08 | Simple Rules, Inc. | System and method for location-based recommendations |
US8463295B1 (en) * | 2011-12-07 | 2013-06-11 | Ebay Inc. | Systems and methods for generating location-based group recommendations |
US8521128B1 (en) * | 2011-12-09 | 2013-08-27 | Google Inc. | Method, system, and computer program product for obtaining crowd-sourced location information |
JP5855924B2 (ja) * | 2011-12-09 | 2016-02-09 | 桑原 雅人 | サーバ装置、通信システム、制御方法およびプログラム |
US8761797B1 (en) * | 2012-02-14 | 2014-06-24 | Google Inc. | Location accuracy based on map viewport |
JP5929501B2 (ja) * | 2012-05-21 | 2016-06-08 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
US9326263B2 (en) * | 2012-06-13 | 2016-04-26 | At&T Mobility Ii Llc | Site location determination using crowd sourced propagation delay and location data |
US9338622B2 (en) | 2012-10-04 | 2016-05-10 | Bernt Erik Bjontegard | Contextually intelligent communication systems and processes |
JP6197372B2 (ja) * | 2012-10-12 | 2017-09-20 | 株式会社リコー | 情報処理装置、情報処理方法及び情報処理プログラム |
US8738036B1 (en) * | 2013-05-29 | 2014-05-27 | Joingo, Llc | Method and system for wayfinding at a venue |
WO2015056269A1 (en) | 2013-10-20 | 2015-04-23 | Anagog Ltd | Method, system and product for automatic parking payment and policy detection |
US20160256948A1 (en) | 2013-10-22 | 2016-09-08 | Northeastern University | Flux-less direct soldering by ultrasonic surface activation |
US20150156245A1 (en) * | 2013-12-02 | 2015-06-04 | Continental Automotive Gmbh | Navigation and communication system for a means of transport |
KR102008452B1 (ko) * | 2014-02-19 | 2019-08-07 | 삼성전자주식회사 | 전자 장치의 정보 수집 방법 및 그 전자 장치 |
US9310205B2 (en) * | 2014-02-20 | 2016-04-12 | Stubhub, Inc. | Interactive venue assistant |
US9888347B1 (en) * | 2014-04-17 | 2018-02-06 | Google Inc. | Resolving location criteria using user location data |
US10187343B2 (en) * | 2014-12-18 | 2019-01-22 | Facebook, Inc. | Location data for defining places and traffic |
KR101640222B1 (ko) * | 2014-12-31 | 2016-07-15 | 라인 가부시키가이샤 | 위치 공유 서비스 제공 장치, 방법 및 컴퓨터 프로그램 |
CN108369586A (zh) | 2015-10-20 | 2018-08-03 | 阿克森维伯股份公司 | 用于检测网络中的交互和影响的***和方法 |
-
2017
- 2017-08-11 DK DK17840323.4T patent/DK3497403T3/da active
- 2017-08-11 SI SI201730925T patent/SI3497403T1/sl unknown
- 2017-08-11 LT LTEPPCT/US2017/046443T patent/LT3497403T/lt unknown
- 2017-08-11 CN CN201780062122.5A patent/CN109891190B/zh active Active
- 2017-08-11 PT PT17840323T patent/PT3497403T/pt unknown
- 2017-08-11 HU HUE17840323A patent/HUE057108T2/hu unknown
- 2017-08-11 EP EP17840323.4A patent/EP3497403B1/en active Active
- 2017-08-11 US US15/674,778 patent/US10264080B2/en active Active
- 2017-08-11 ES ES17840323T patent/ES2892198T3/es active Active
- 2017-08-11 PL PL17840323T patent/PL3497403T3/pl unknown
- 2017-08-11 WO PCT/US2017/046443 patent/WO2018031860A1/en unknown
- 2017-08-11 RU RU2019106499A patent/RU2701122C1/ru active
-
2018
- 2018-12-18 US US16/224,094 patent/US10362124B2/en active Active
-
2019
- 2019-06-13 US US16/440,052 patent/US10542105B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101073274A (zh) * | 2004-05-12 | 2007-11-14 | 谷歌公司 | 用于移动设备的基于位置的社会软件 |
CN101465879A (zh) * | 2007-12-21 | 2009-06-24 | 音乐会技术公司 | 用于识别暂时朋友的***和方法 |
CN103891317A (zh) * | 2011-10-17 | 2014-06-25 | 诺基亚公司 | 用于与位置相关的个性化隐私推荐的自动方法 |
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
US8447516B1 (en) * | 2012-08-31 | 2013-05-21 | Google Inc. | Efficient proximity detection |
Also Published As
Publication number | Publication date |
---|---|
DK3497403T3 (da) | 2021-10-04 |
RU2701122C1 (ru) | 2019-09-24 |
US20180048720A1 (en) | 2018-02-15 |
EP3497403A4 (en) | 2019-09-04 |
US20190124166A1 (en) | 2019-04-25 |
US10542105B2 (en) | 2020-01-21 |
US10264080B2 (en) | 2019-04-16 |
ES2892198T8 (es) | 2022-02-10 |
WO2018031860A1 (en) | 2018-02-15 |
PT3497403T (pt) | 2021-10-04 |
SI3497403T1 (sl) | 2022-01-31 |
ES2892198T3 (es) | 2022-02-02 |
US20190297153A1 (en) | 2019-09-26 |
LT3497403T (lt) | 2021-11-25 |
CN109891190A (zh) | 2019-06-14 |
PL3497403T3 (pl) | 2022-01-10 |
EP3497403B1 (en) | 2021-08-11 |
EP3497403A1 (en) | 2019-06-19 |
HUE057108T2 (hu) | 2022-04-28 |
US10362124B2 (en) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109891190B (zh) | 基于衍生社交网络对个人进行地理定位 | |
Zhang et al. | Interactive COVID-19 mobility impact and social distancing analysis platform | |
Chen et al. | Measuring place-based accessibility under travel time uncertainty | |
RU2721176C2 (ru) | Системы и способы для предсказания поведения пользователя на основе данных о местоположении | |
EP3371716B1 (en) | System and method for detecting interaction and influence in networks | |
Zheng et al. | Detecting collective anomalies from multiple spatio-temporal datasets across different domains | |
Bachmann et al. | Fusing a bluetooth traffic monitoring system with loop detector data for improved freeway traffic speed estimation | |
US8756011B2 (en) | Determining locations of interest based on user visits | |
US8996033B1 (en) | Systems and methods for statistically associating mobile devices to households | |
US8600797B1 (en) | Inferring household income for users of a social networking system | |
WO2021162839A1 (en) | Graph enhanced attention network for explainable poi recommendation | |
US10067985B2 (en) | Computing system with crowd-source mechanism and method of operation thereof | |
WO2009002949A2 (en) | System, method and apparatus for predictive modeling of specially distributed data for location based commercial services | |
Singleton | A GIS approach to modelling CO2 emissions associated with the pupil-school commute | |
Lin et al. | Inferring the home locations of Twitter users based on the spatiotemporal clustering of Twitter data | |
Davies et al. | Patterns in the supply and demand of urban policing at the street segment level | |
Deng et al. | Propensity score weighting with generalized boosted models to explore the effects of the built environment and residential self-selection on travel behavior | |
Groff | Measuring a place’s exposure to facilities using geoprocessing models: An illustration using drinking places and crime | |
Zheng et al. | Landmark-based route recommendation with crowd intelligence | |
CN111861139A (zh) | 商户推荐方法、装置及计算机设备 | |
US20230292087A1 (en) | Proximity determination for mobile devices | |
Malekzadeh et al. | Mobility deviation index: incorporating geographical context into analysis of human mobility | |
CN110825720B (zh) | 一种可提高上下文质量的本体建模方法及装置 | |
Shahzadi et al. | Reputation and Quality Aware Incentive Mechanism for Mobile Crowd Sensing Using Smart Devices | |
Hadis | College of Natural and Computational Sciences School of Information Sciences |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40010089 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |