CN109992726A - 位置预测方法、装置及可读存储介质 - Google Patents
位置预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN109992726A CN109992726A CN201811212184.2A CN201811212184A CN109992726A CN 109992726 A CN109992726 A CN 109992726A CN 201811212184 A CN201811212184 A CN 201811212184A CN 109992726 A CN109992726 A CN 109992726A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction model
- point data
- target
- target position
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种位置预测方法，该位置预测方法包括：获取移动终端对应的第一预设时间段内的位置数据；对位置数据进行聚类，并根据所述聚类形成停留点数据；根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值。本发明还公开了一种用户位置预测装置和一种可读存储介质。本发明能够从应用中获取的分散位置数据中挖掘构建预测模型，预测所述移动终端的目标位置，以及所述目标位置出现的目标概率值，向用户推荐基于位置的产品和服务。
Description
技术领域
本发明涉及通信技术领域，尤其涉及位置预测方法、装置及可读存储介质。
背景技术
近年来，随着移动互联网环境的不断完善，智能移动终端的日益普及，获取用户的轨迹并根据用户的轨迹预测用户行为得到了快速的发展。如何基于地理位置信息准确识别用户的喜好，并在此基础上向用户推荐最相关的产品、服务是目前关注的热点之一。
智能移动终端可以获取用户的位置信息，蕴含了用户的位置移动轨迹，不同的轨迹反应了不同的用户个性。通过从用户的历史地理位置数据中挖掘出用户的移动轨迹，预测用户未来的地理位置，可以帮助移动金融等业务结合用户的位置，为用户推荐更深入、更个性化的服务。
然而，由于移动金融类等应用不同于社交类或导航类应用，其用户使用频度及粘性较低，导致获取的用户位置数据在空间维度和时间维度上都具有明显的分散性，难以直接对其构建预测模型，因此，目前尚未出现移动金融、购物软件等应用用户位置预测的实现方案。
发明内容
本发明的主要目的在于提出一种位置预测方法、装置及可读存储介质，旨在实现从获取的分散位置数据中挖掘构建预测模型，预测所述移动终端的目标位置，以及所述目标位置出现的目标概率值，向用户推荐基于位置的产品和服务。
为实现上述目的，本发明提供一种位置预测方法，所述位置预测方法包括如下步骤：
获取移动终端对应的第一预设时间段内的位置数据；
对位置数据进行聚类，并根据所述聚类形成停留点数据；
根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值。
优选地，所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤，包括：
根据停留点数据构建第一预测模型，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值。
优选地，根据停留点数据构建第一预测模型，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值的步骤，包括：
根据所述停留点数据确定各个时间段对应的停留点数据，其中，所述时间段包括工作日的工作时段、工作日的休息时段、休息日的工作时段以及休息日的休息时段；
运用贝叶斯定理推导计算各个所述时间段对应的停留点数据的概率；
根据各个所述时间段对应的停留点数据的概率构建第一预测模型，所述第一预测模型包括停留点数据的概率分布及对应时间段；
基于停留点数据的概率分布及第二预设时间段，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值。
优选地，所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤，包括：
根据停留点数据构建第二预测模型，通过所述第二预测模型预测所述移动终端的第二目标位置，以及所述第二目标位置出现的第二目标概率值。
优选地，根据停留点数据构建第二预测模型，通过所述第二预测模型预测所述移动终端的第二目标位置，以及所述第二目标位置对应的第二目标概率值的步骤，包括：
根据时间先后顺序对停留点数据进行排序；
根据时间窗口和滑动
步长将停留点数据沿时间轴划分为多个停留点子序列；
基于停留点子序列的最小频率阈值，运用PrefixSpan序列模式挖掘算法，挖掘停留点轨迹模式构建第二预测模型，所述第二预测模型包括所有的停留点轨迹模式及其概率；
基于停留点轨迹模式及在线位置数据，通过第二预测模型进行匹配查找，预测所述移动终端的第二目标位置以及所述第二目标位置对应的第二目标概率值。
优选地，对位置数据进行聚类，并根据所述聚类形成停留点数据的步骤，包括：
确定所述位置数据对应的中心点，并将与中心点的距离小于或等于预设阈值的位置数据作为目标聚类，计算目标聚类的停留中心点；
将除目标聚类对应的位置数据之外的剩余位置数据作为所述位置数据，继续执行确定所述位置数据对应的中心点的步骤；
在所有位置数据完成聚类操作时，根据目标聚类以及目标聚类的停留中心点形成停留点数据。
优选地，对位置数据进行聚类，并根据所述聚类形成停留点数据的步骤之前，还包括：
清洗所述位置数据，以去除预设时长内的重复位置数据，以及过滤未授权和网络延迟产生的非法位置数据。
优选地，所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤之后，还包括：
根据目标位置出现的目标概率值大小顺序对目标位置进行排序；
根据目标位置的排序向用户推荐产品和/或服务。
此外，为实现上述目的，本发明还提供一种用户位置预测装置，所述用户位置预测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户位置预测程序，所述用户位置预测程序被所述处理器执行时实现如上所述的位置预测方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有用户位置预测程序，所述用户位置预测程序被处理器执行时实现如上所述的位置预测方法的步骤。
本发明获取移动终端对应的第一预设时间段内的位置数据；对位置数据进行聚类，并根据所述聚类形成停留点数据；根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值。通过上述方式，本发明能够在接收到用户使用频度和粘度较低的应用中分散的移动终端位置数据时，构建预测模型，基于移动终端的在线位置和第二预设时间段，预测所述移动终端的目标位置，以及所述目标位置出现的概率值，再根据预测结果向用户推荐相应目标位置的移动金融等产品和服务。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明位置预测方法第一实施例的流程示意图；
图3为本发明位置预测方法第二实施例的流程示意图；
图4为本发明位置预测方法第三实施例的流程示意图；
图5为本发明位置预测方法第四实施例的流程示意图；
图6为本发明位置预测方法第五实施例的流程示意图；
图7为本发明位置预测方法第六实施例的流程示意图；
图8为本发明位置预测方法第七实施例的流程示意图；
图9为本发明位置预测方法第八实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：
现有的移动金融、购物软件类等应用由于用户使用频度及粘性较低，获取的移动终端中对应的位置数据在空间维度和时间维度上都具有明显的分散性，难以直接对其构建预测模型，目前尚未出现移动金融、购物软件等应用用户位置预测的实现方案。
本发明能够在接收到用户使用频度和粘度较低的应用中分散的移动终端位置数据时，构建预测模型，基于移动终端的在线位置和第二预设时间段，预测所述移动终端的目标位置，以及所述目标位置出现的概率值，再根据预测结果向用户推荐相应目标位置的移动金融等产品和服务。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC，也可以是智能手机、平板电脑、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
优选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及用户位置预测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的用户位置预测程序，并执行以下操作：
获取移动终端对应的第一预设时间段内的位置数据；
对位置数据进行聚类，并根据所述聚类形成停留点数据；
根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值。
进一步地，处理器1001可以调用存储器1005中存储的用户位置预测程序，还执行以下操作：所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤，包括：
根据停留点数据构建第一预测模型，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值。
进一步地，处理器1001可以调用存储器1005中存储的用户位置预测程序，还执行以下操作：根据停留点数据构建第一预测模型，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值的步骤，包括：
根据所述停留点数据确定各个时间段对应的停留点数据，其中，所述时间段包括工作日的工作时段、工作日的休息时段、休息日的工作时段以及休息日的休息时段；
运用贝叶斯定理推导计算各个所述时间段对应的停留点数据的概率；
根据各个所述时间段对应的停留点数据的概率构建第一预测模型，所述第一预测模型包括停留点数据的概率分布及对应时间段；
基于停留点数据的概率分布及第二预设时间段，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值。
进一步地，处理器1001可以调用存储器1005中存储的用户位置预测程序，还执行以下操作：所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤，包括：
根据停留点数据构建第二预测模型，通过所述第二预测模型预测所述移动终端的第二目标位置，以及所述第二目标位置出现的第二目标概率值。
进一步地，处理器1001可以调用存储器1005中存储的用户位置预测程序，还执行以下操作：根据停留点数据构建第二预测模型，通过所述第二预测模型预测所述移动终端的第二目标位置，以及所述第二目标位置对应的第二目标概率值的步骤，包括：
根据时间先后顺序对停留点数据进行排序；
根据时间窗口和滑动步长将停留点数据沿时间轴划分为多个停留点子序列；
基于停留点子序列的最小频率阈值，运用PrefixSpan序列模式挖掘算法，挖掘停留点轨迹模式构建第二预测模型，所述第二预测模型包括所有的停留点轨迹模式及其概率；
基于停留点轨迹模式及在线位置数据，通过第二预测模型进行匹配查找，预测所述移动终端的第二目标位置以及所述第二目标位置对应的第二目标概率值。
进一步地，处理器1001可以调用存储器1005中存储的用户位置预测程序，还执行以下操作：对位置数据进行聚类，并根据所述聚类形成停留点数据的步骤，包括：
确定所述位置数据对应的中心点，并将与中心点的距离小于或等于预设阈值的位置数据作为目标聚类，计算目标聚类的停留中心点；
将除目标聚类对应的位置数据之外的剩余位置数据作为所述位置数据，继续执行确定所述位置数据对应的中心点的步骤；
在所有位置数据完成聚类操作时，根据目标聚类以及目标聚类的停留中心点形成停留点数据。
进一步地，处理器1001可以调用存储器1005中存储的用户位置预测程序，还执行以下操作：对位置数据进行聚类，并根据所述聚类形成停留点数据的步骤之前，还包括：
清洗所述位置数据，以去除预设时长内的重复位置数据，以及过滤未授权和网络延迟产生的非法位置数据。
进一步地，处理器1001可以调用存储器1005中存储的用户位置预测程序，还执行以下操作：所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤之后，还包括：
根据目标位置出现的目标概率值大小顺序对目标位置进行排序；
根据目标位置的排序向用户推荐产品和/或服务。
基于上述硬件结构，提出本发明方法实施例。
参照图2，图2为本发明位置预测方法第一实施例的流程示意图，所述位置预测方法包括：
步骤S10，获取移动终端对应的第一预设时间段内的位置数据；
在移动终端中启动应用时，移动终端的无线定位技术对用户的位置数据进行采集，位置数据包括设备号、登录位置、登录时间数据，在接收到所述移动终端上传的位置数据时，将所述位置数据根据Hadoop分布式进行运算存储，Hadoop能够对大量数据进行分布式处理，对数据的处理具有高可靠性、高扩展性、高效性和高容错性，获取移动终端上传的第一预设时间段内的位置数据。
步骤S20，对位置数据进行聚类，并根据所述聚类形成停留点数据；
获取的位置数据为分散的单条记录，存在多条记录对应同一位置区域的情况，直接在分散的位置数据上构建预测模型，一方面会增加算法的复杂度，另一方面会由于位置数据过于分散而无法挖掘出移动终端的潜在移动模式。因此在构建预测模型之前，需要对第一预设时间段内的位置数据进行聚类，并根据所述聚类形成停留点数据。
步骤S30，根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值。
划分时间段，运用贝叶斯定理推导公式推导得到各个所述时间段出现的停留点数据的概率分布，构建预测模型包括停留点数据的概率分布及其对应的时间段，基于停留点数据的概率分布及第二预设时间段，预测第二预设时间段内所述移动终端的第一目标位置，以及第一目标位置的概率值。
对停留点数据根据时间先后顺序进行排序，将停留点数据划分多个停留点子序列，基于停留点子序列的最小频率阈值，运用PrefixSpan序列模式挖掘算法，构建预测模型，基于停留点轨迹模式及在线位置数据，通过预测模型进行匹配查找，预测所述移动终端的第二目标位置以及所述第二目标位置出现的第二目标概率值，即基于停留点的轨迹模式与当前的在线位置数据，预测移动终端可能出现的下一个目标位置。
进一步地，参照图3，图3为本发明位置预测方法第二实施例的流程示意图。基于上述的实施例，S30的步骤，包括：
步骤S31,根据停留点数据构建第一预测模型，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值。
划分时间段，根据所述停留点数据确定各个时间段对应的停留点数据，运用贝叶斯定理推导公式推导得到各个所述时间段出现的停留点数据的概率分布，构建预测模型包括停留点数据的概率分布及其对应的时间段，基于停留点数据的概率分布及其第二预设时间段，预测第二预设时间段内所述移动终端的第一目标位置，以及第一目标位置对应的概率值。
进一步地，参照图4，图4为本发明位置预测方法第三实施例的流程示意图。基于上述的实施例，S31的步骤，包括：
步骤S311,根据所述停留点数据确定各个时间段对应的停留点数据，其中，所述时间段包括工作日的工作时段、工作日的休息时段、休息日的工作时段以及休息日的休息时段；
据所述停留点数据确定各个时间段对应的停留点数据，时间段包括工作日的工作时段、工作日的休息时段、休息日的工作时段以及休息日的休息时段四个时间段，例如，根据用户的工作和休息时间规律，将一周时间划分为工作日的工作时段(周一至周五，8:00-18:00)、工作日的休息时段(周一至周五，0:00-8:00,18:00-24:00)、休息日的工作时段(周末，8:00-18:00)、休息日的休息时段(周末，0:00-8:00,18:00-24:00，确定各个时间段对应的停留点数据。
步骤S312,运用贝叶斯定理进行推导计算各个所述时间段出现的停留点数据的概率；
贝叶斯定理推导公式可以为：
P(S|T)＝P(T|S)*P(S)/P(T)，
P(T)＝当前时间段长度/所有时间段总长度
P(S)＝停留点数据S的总记录数量/所有停留点数据的总记录数量
P(T|S)＝停留点数据S在时间段T内的记录数量/停留点数据S的总记录数量
P(S|T)为时间段T内出现的停留点数据S的概率；
通过贝叶斯定理推导公式计算各个所述时间段出现的停留点数据的概率，假设在工作日的工作时段内出现了停留点数据S1，S2，则通过公式P(S|T)＝P(T|S)*P(S)/P(T)计算停留点S1和S2在工作日工作时段的概率；在工作日的休息时段内出现停留点数据S1和S3，则通过公式P(S|T)＝P(T|S)*P(S)/P(T)计算停留点S1和S3在工作日的休息时段内的概率。
步骤S313,根据各个所述时间段对应的停留点数据的概率分布构建第一预测模型，所述第一预测模型包括停留点数据的概率分布及其对应时间段；
根据推导的各停留点数据的概率和对应的时间段构建第一预测模型，通过第一模型进行目标位置的预测和目标位置的对应概率值。
步骤S314,基于停留点数据的概率分布及第二预设时间段，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值。
根据第二预设时间段，基于预测模型中的停留点数据分布及对应时间段，进行匹配查找，查找出在第二预设时间段内可能出现的第一目标位置，以及对应所述第一目标位置对应的第一目标概率值，并将查找的多个第一目标位置根据各自对应的概率值大小顺序进行排序。
进一步地，参照图5，图5为本发明位置预测方法第四实施例的流程示意图。基于上述的实施例，S30的步骤，包括：
步骤S32，根据停留点数据构建第二预测模型，通过所述第二预测模型预测所述移动终端的第二目标位置，以及所述第二目标位置对应的第二目标概率值。
对停留点数据根据时间先后顺序进行排序，将停留点数据划分多个停留点子序列，基于停留点子序列的最小频率阈值，运用PrefixSpan序列模式挖掘算法，构建预测模型，基于停留点轨迹模式及其在线位置数据，通过预测模型进行匹配查找，预测所述移动终端的第二目标位置以及所述第二目标位置对应的第二目标概率值，即基于停留点的轨迹模式与当前的在线位置数据，预测移动终端可能出现的下一个目标位置。
进一步地，参照图6，图6为本发明位置预测方法第五实施例的流程示意图。基于上述的实施例，S32的步骤，包括：
步骤S321，根据时间先后顺序对停留点数据进行排序；
根据时间的先后顺序进行排序，例如，停留点数据为C1(20180901 10:11:11)；C1(20180902 10:12:12)；C1(20180903 10:12:12)；C1(20180904 10:13:13)；C2(2018090116:12:12)；C2(20180902 16:11:11)；C2(20180903 17:12:12)；C2(20180904 16:15:15)；C2(20180905 20:20:20)；排序后为C1(20180901 10:11:11)；C2(20180901 16:12:12)；C1(20180902 10:12:12)；C2(20180902 16:11:11)；C1(20180903 10:12:12)；C2(2018090317:12:12)；C1(20180904 10:13:13)；C2(20180904 16:15:15)；C2(20180905 20:20:20)。
步骤S322，根据时间窗口和滑动步长将停留点数据沿时间轴划分为多个停留点子序列；
在进行轨迹模式挖掘即建立第二预测模型之前，基于时间窗口和滑动步长，根据时间窗口和滑动步长将停留点数据划分为多个停留点子序列，作为算法的输入。使用滑动时间窗口的方式将停留点数据划分为多个停留点子序列，将移动终端的停留点数据映射到时间轴上，使用时间窗口将其划分为多个停留点子序列，如设置时间窗口大小为24小时，时间窗口之间的间隔大小(滑动步长)为24小时，将停留点数据划分为如下多个停留点子序列：Z1{C1(20180901 10:11:11)，C2(20180901 16:12:12)}；Z2{C1(20180902 10:12:12)，C2(20180902 16:11:11)}；Z3{C1(20180903 10:12:12)，C2(20180903 17:12:12)}；Z4{C1(20180904 10:13:13)，C2(20180904 16:15:15)}；Z5{C2(20180905 20:20:20)}。
步骤S323，基于停留点子序列的最小频率阈值，运用PrefixSpan序列模式挖掘算法，挖掘停留点轨迹模式构建第二预测模型，所述第二预测模型包括所有的停留点轨迹模式及其概率；
基于停留点子序列的最小频率阈值，运用基于前缀树的PrefixSpan序列模式挖掘算法对用户的轨迹模式进行挖掘，PrefixSpan算法由于不用产生候选序列，且投影数据库(关于某一前缀的序列后缀集合)缩小的很快，内存消耗比较稳定，所以具有较好挖掘效率。
使用PrefixSapn算法挖掘用户轨迹模式的流程如表1所示，输入停留点序列集合S，基于停留点子序列的最小频率阈值，从S中找出长度为1的前缀和对应投影数据库；保存所有满足最小频率阈值的频繁1项序列集；将不满足最小频率阈值的前缀对应的序列从S中删除；将满足最小阈值的前缀加入频繁1项序列集中；递归计算频繁序列集F；挖掘频繁序列的递归函数，prefixs是前缀集合；找出前缀对应的投影数据库；如果投影数据库为空，递归返回；如果投影数据库中所有项都不满足最小频率阈值，递归返回；将满足最小频率阈值的各个项与当前前缀结合，得到新的前缀集合；将新的前缀集合加入频繁序列模式集中；对新的前缀集合进行递归计算。
表1
划分好的停留点子序列作为序列模式挖掘算法prefixspan的输入，设置序列模式的最小频率阈值(最小支持度)，挖掘轨迹模式构建第二预测模型，所述第二预测模型包括所有的停留点轨迹模式及其概率。
步骤S324，基于停留点轨迹模式及在线位置数据，通过第二预测模型进行匹配查找，预测所述移动终端的第二目标位置以及所述第二目标位置对应的第二目标概率值。
基于挖掘出的停留点轨迹模式及在线位置数据，通过第二预测模型进行模式匹配查找，对第二目标位置进行预测，例如，步骤S323中设置的最小频率阈值为0.5，挖掘设备对应的轨迹模式为C1->C2，在线位置数据为C1停留点，预测第二目标位置为C2。
进一步地，参照图7，图7为本发明位置预测方法第六实施例的流程示意图。基于上述图2所示的实施例，步骤S20可以包括：
步骤S21，确定所述位置数据对应的中心点，并将与中心点的距离小于或等于预设阈值的位置数据作为目标聚类，计算目标聚类的停留中心点；
将确定第一预设时间段的位置数据对应的中心点，遍历其它的位置数据，将与中心点的距离小于或等于预设阈值的位置数据作为目标聚类，并计算目标聚类的停留中心点。
步骤S22，将除目标聚类对应的位置数据之外的剩余位置数据作为所述位置数据，继续执行确定所述位置数据对应的中心点的步骤；
将除目标聚类对应的位置数据之外的剩余位置数据作为所述位置数据，确定所述位置数据的中心点，继续进行目标聚类，计算目标聚类的停留中心点。
步骤S23，在所有位置数据完成聚类操作时，根据目标聚类以及目标聚类的停留中心点形成停留点数据。
在第一预设时间段的所有位置数据完成聚类操作时，根据目标聚类以及目标聚类的停留中心点形成停留点数据，例如：获取移动终端中对应的第一预设时间段的位置数据为:R1(20180901 10:11:11)；R2(20180902 10:12:12)；R3(20180903 10:12:12)；R4(20180904 10:13:13)；R5(20180901 16:12:12)；R6(20180902 16:11:11)；R7(2018090317:12:12)；R8(20180904 16:15:15)；R9(20180905 20:20:20)；
完成所有第一预设时间段内的位置数据聚类操作后，得到P1、P2两个目标聚类，其中P1目标聚类包括位置记录R1、R2、R3、R4，通过计算C1为停留中心点，P2目标聚类包括位置记录R5、R6、R7、R8、R9，通过计算C2为停留中心点；
根据P1目标聚类及其对应的C1停留中心点，以及P2目标聚类及其对应的C2停留中心点形成停留点数据：C1(20180901 10:11:11)；C1(20180902 10:12:12)；C1(2018090310:12:12)；C1(20180904 10:13:13)；C2(20180901 16:12:12)；C2(20180902 16:11:11)；C2(20180903 17:12:12)；C2(20180904 16:15:15)；C2(20180905 20:20:20)；
用户的位置数据聚类的算法流程如表2所示，输入用户的分散位置数据P，设定预设阈值，对P中每个位置数据进行处理；确定是否找到满足预设阈值的位置数据；遍历当前停留点数据中的每个位置数据；计算位置数据到停留数据中心的距离；如果小于等于预设阈值，位置数据P加入到停留点数据SP中；重新计算停留点数据SP的中心；找到满足预设阈值的位置数据，isFind设为true；跳出内层循环，如果没有找到满足预设阈值的位置数据；将位置数据P加入S作为新的一个停留点数据，P作为新停留点数据的中心点。
表2
进一步地，参照图8，图8为本发明位置预测方法第七实施例的流程示意图。基于上述的实施例，S20步骤之前，还包括：
步骤S40，清洗所述位置数据，以去除预设时长内的重复位置数据，以及过滤未授权和网络延迟产生的非法位置数据。
将位置数据进行清洗，包括去除、过滤等，在移动终端中的应用程序对用户的位置数据采集过程中，会因为用户短时间内在同一位置多次启动应用而产生重复的位置数据，获取到移动终端对应的位置数据时需要将这部分预设时长内冗余的位置数据进行去除处理，除此之外，获取到的位置数据中还包含由于设备未授权和网络延迟产生的非法位置数据，需要将这部分非法数据进行过滤处理，使建立的预测模型更加准确。
进一步地，参照图9，图9为本发明位置预测方法第八实施例的流程示意图。基于上述的实施例，S30的步骤之后，还包括：
步骤S50，根据目标位置出现的目标概率值大小顺序对目标位置进行排序；
基于用户停留点轨迹模式，结合用户当前在线位置数据，对用户轨迹模式进行匹配，预测用户下一个目标位置，即第二目标位置，对预测的多个下一个目标位置按照对应轨迹模式的概率值从高到低进行排序；
基于用户停留点概率分布模式和对应时间段，预设第二时间段，预测用户在预设第二时间段所处的第一目标位置，对预测的多个第一目标位置按照目标位置的概率从高到低进行排序。
步骤S60，根据目标位置的排序向用户推荐产品和/或服务。
取预设前N个预测的第一目标位置或者取预设前M个第一目标位置，根据目标位置的取值排序向用户推荐金融等产品和/或服务，如商家优惠券推送等。
本发明还提供一种用户位置预测装置。
本发明用户位置预测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户位置预测程序，所述用户位置预测程序被所述处理器执行时实现如上所述的位置预测方法的步骤。
其中，在所述处理器上运行的用户位置预测程序被执行时所实现的方法可参照本发明位置预测方法各个实施例，此处不再赘述。
本发明还提供一种可读存储介质。
本发明可读存储介质上存储有用户位置预测程序，所述用户位置预测程序被处理器执行时实现如上所述的位置预测方法的步骤。
其中，在所述处理器上运行的用户位置预测程序被执行时所实现的方法可参照本发明位置预测方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一序列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种位置预测方法，其特征在于，所述位置预测方法包括如下步骤：
获取移动终端对应的第一预设时间段内的位置数据；
对位置数据进行聚类，并根据所述聚类形成停留点数据；
根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值。
2.如权利要求1所述的位置预测方法，其特征在于，所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤，包括：
根据停留点数据构建第一预测模型，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值。
3.如权利要求2所述的位置预测方法，其特征在于，根据停留点数据构建第一预测模型，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值的步骤，包括：
根据所述停留点数据确定各个时间段对应的停留点数据，其中，所述时间段包括工作日的工作时段、工作日的休息时段、休息日的工作时段以及休息日的休息时段；
运用贝叶斯定理推导计算各个所述时间段对应的停留点数据的概率；
根据各个所述时间段对应的停留点数据的概率构建第一预测模型，所述第一预测模型包括停留点数据的概率分布及对应时间段；
基于停留点数据的概率分布及第二预设时间段，通过所述第一预测模型预测所述移动终端的第一目标位置，以及所述第一目标位置对应的第一目标概率值。
4.如权利要求1所述的位置预测方法，其特征在于，所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤，包括：
根据停留点数据构建第二预测模型，通过所述第二预测模型预测所述移动终端的第二目标位置，以及所述第二目标位置出现的第二目标概率值。
5.如权利要求4所述的位置预测方法，其特征在于，根据停留点数据构建第二预测模型，通过所述第二预测模型预测所述移动终端的第二目标位置，以及所述第二目标位置对应的第二目标概率值的步骤，包括：
根据时间先后顺序对停留点数据进行排序；
根据时间窗口和滑动步长将停留点数据沿时间轴划分为多个停留点子序列；
基于停留点子序列的最小频率阈值，运用PrefixSpan序列模式挖掘算法，挖掘停留点轨迹模式构建第二预测模型，所述第二预测模型包括所有的停留点轨迹模式及其概率；
基于停留点轨迹模式及在线位置数据，通过第二预测模型进行匹配查找，预测所述移动终端的第二目标位置以及所述第二目标位置对应的第二目标概率值。
6.如权利要求1-5任一项所述的位置预测方法，其特征在于，对位置数据进行聚类，并根据所述聚类形成停留点数据的步骤，包括：
确定所述位置数据对应的中心点，并将与中心点的距离小于或等于预设阈值的位置数据作为目标聚类，计算目标聚类的停留中心点；
将除目标聚类对应的位置数据之外的剩余位置数据作为所述位置数据，继续执行确定所述位置数据对应的中心点的步骤；
在所有位置数据完成聚类操作时，根据目标聚类以及目标聚类的停留中心点形成停留点数据。
7.如权利要求6所述的位置预测方法，其特征在于，对位置数据进行聚类，并根据所述聚类形成停留点数据的步骤之前，还包括：
清洗所述位置数据，以去除预设时长内的重复位置数据，以及过滤未授权和网络延迟产生的非法位置数据。
8.如权利要求7所述的位置预测方法，其特征在于，所述根据停留点数据构建预测模型，通过预测模型预测所述移动终端的目标位置，以及所述目标位置对应的目标概率值的步骤之后，还包括：
根据目标位置出现的目标概率值大小顺序对目标位置进行排序；
根据目标位置的排序向用户推荐产品和/或服务。
9.一种用户位置预测装置，其特征在于，所述用户位置预测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户位置预测程序，所述用户位置预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的位置预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有用户位置预测程序，所述用户位置预测程序被处理器执行时实现如权利要求1至8中任一项所述的位置预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811212184.2A CN109992726A (zh) | 2018-10-17 | 2018-10-17 | 位置预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811212184.2A CN109992726A (zh) | 2018-10-17 | 2018-10-17 | 位置预测方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109992726A true CN109992726A (zh) | 2019-07-09 |
Family
ID=67128265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811212184.2A Pending CN109992726A (zh) | 2018-10-17 | 2018-10-17 | 位置预测方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109992726A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909592A (zh) * | 2019-10-11 | 2020-03-24 | 重庆特斯联智慧科技股份有限公司 | 一种基于多尺度特征量的目标跟踪方法和*** |
| CN111107319A (zh) * | 2019-12-25 | 2020-05-05 | 眸芯科技（上海）有限公司 | 基于区域摄像头的目标追踪方法、装置及*** |
| CN111291092A (zh) * | 2020-02-14 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、服务器及存储介质 |
| CN111459162A (zh) * | 2020-04-07 | 2020-07-28 | 珠海格力电器股份有限公司 | 待命位置规划方法、装置、存储介质及计算机设备 |
| CN112541134A (zh) * | 2020-12-07 | 2021-03-23 | 韩珍 | 一种基于地理感知的序列位置推荐方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289461A (zh) * | 2010-07-07 | 2011-12-21 | 微软公司 | 基于引导请求活动和数据的推荐和有针对性的广告 |
| CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机***有限公司 | 一种基于历史轨迹数据挖掘的位置预测***及方法 |
| CN104408203A (zh) * | 2014-12-18 | 2015-03-11 | 西安电子科技大学宁波信息技术研究院 | 一种预测移动对象轨迹终点的方法 |
| CN104462190A (zh) * | 2014-10-24 | 2015-03-25 | 中国电子科技集团公司第二十八研究所 | 一种基于海量空间轨迹挖掘的在线的位置预测方法 |
| CN104931041A (zh) * | 2015-05-03 | 2015-09-23 | 西北工业大学 | 一种基于用户轨迹数据的地点序列预测方法 |
| CN107402931A (zh) * | 2016-05-19 | 2017-11-28 | 滴滴（中国）科技有限公司 | 一种出行目的地推荐方法和装置 |
-
2018
- 2018-10-17 CN CN201811212184.2A patent/CN109992726A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289461A (zh) * | 2010-07-07 | 2011-12-21 | 微软公司 | 基于引导请求活动和数据的推荐和有针对性的广告 |
| CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机***有限公司 | 一种基于历史轨迹数据挖掘的位置预测***及方法 |
| CN104462190A (zh) * | 2014-10-24 | 2015-03-25 | 中国电子科技集团公司第二十八研究所 | 一种基于海量空间轨迹挖掘的在线的位置预测方法 |
| CN104408203A (zh) * | 2014-12-18 | 2015-03-11 | 西安电子科技大学宁波信息技术研究院 | 一种预测移动对象轨迹终点的方法 |
| CN104931041A (zh) * | 2015-05-03 | 2015-09-23 | 西北工业大学 | 一种基于用户轨迹数据的地点序列预测方法 |
| CN107402931A (zh) * | 2016-05-19 | 2017-11-28 | 滴滴（中国）科技有限公司 | 一种出行目的地推荐方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 叶谦: "《基于路径模式挖掘的个人连续路径预测》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909592A (zh) * | 2019-10-11 | 2020-03-24 | 重庆特斯联智慧科技股份有限公司 | 一种基于多尺度特征量的目标跟踪方法和*** |
| CN111107319A (zh) * | 2019-12-25 | 2020-05-05 | 眸芯科技（上海）有限公司 | 基于区域摄像头的目标追踪方法、装置及*** |
| CN111107319B (zh) * | 2019-12-25 | 2021-05-28 | 眸芯科技（上海）有限公司 | 基于区域摄像头的目标追踪方法、装置及*** |
| CN111291092A (zh) * | 2020-02-14 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、服务器及存储介质 |
| CN111459162A (zh) * | 2020-04-07 | 2020-07-28 | 珠海格力电器股份有限公司 | 待命位置规划方法、装置、存储介质及计算机设备 |
| CN111459162B (zh) * | 2020-04-07 | 2021-11-16 | 珠海格力电器股份有限公司 | 待命位置规划方法、装置、存储介质及计算机设备 |
| CN112541134A (zh) * | 2020-12-07 | 2021-03-23 | 韩珍 | 一种基于地理感知的序列位置推荐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109992726A (zh) | 位置预测方法、装置及可读存储介质 | |
| CN109598777B (zh) | 图像渲染方法、装置、设备及存储介质 | |
| Conti et al. | Looking ahead in pervasive computing: Challenges and opportunities in the era of cyber–physical convergence | |
| US20130009994A1 (en) | Methods and apparatus to generate virtual-world environments | |
| Picco et al. | Software engineering for mobility: reflecting on the past, peering into the future | |
| CN108304758A (zh) | 人脸特征点跟踪方法及装置 | |
| CN104584601A (zh) | 发现方法和用于发现的装置和*** | |
| CN108255382A (zh) | 一种悬浮菜单内容推荐方法及装置 | |
| US9224100B1 (en) | Method and apparatus using accelerometer data to serve better ads | |
| CN107450841B (zh) | 交互对象控制方法及装置 | |
| US20090167768A1 (en) | Selective frame rate display of a 3D object | |
| WO2013062237A1 (ko) | 사회적 관계정보 관리 시스템 및 관리 방법 | |
| CN106157602A (zh) | 呼叫车辆的方法和装置 | |
| US11654372B2 (en) | Methods, systems, and devices for identifying a portion of video content from a video game for a player or spectator | |
| CN112328911B (zh) | 地点推荐方法、装置、设备及存储介质 | |
| CN108074009A (zh) | 一种运动路线的生成方法、装置、移动终端和服务器 | |
| CN105955715A (zh) | 一种信息处理方法、装置和智能终端 | |
| CN106293738A (zh) | 一种表情图像的更新方法及装置 | |
| CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
| CN115392405A (zh) | 模型训练方法、相关装置及存储介质 | |
| CN106598222A (zh) | 一种场景模式的切换方法和*** | |
| CN104809416A (zh) | 显示画面遮蔽方法、电子装置与计算机程序产品 | |
| CN110213591A (zh) | 一种视频运动估计方法、装置及存储介质 | |
| CN107832848A (zh) | 应用管理方法、装置、存储介质及电子设备 | |
| CN109947522A (zh) | 信息展示方法、装置、终端、服务器和存储介质 |
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 |