CN110008414A - 地理信息点的确定方法和装置 - Google Patents
地理信息点的确定方法和装置 Download PDFInfo
- Publication number
- CN110008414A CN110008414A CN201910263239.0A CN201910263239A CN110008414A CN 110008414 A CN110008414 A CN 110008414A CN 201910263239 A CN201910263239 A CN 201910263239A CN 110008414 A CN110008414 A CN 110008414A
- Authority
- CN
- China
- Prior art keywords
- user
- geography information
- information point
- history
- point
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Navigation (AREA)
Abstract
本申请公开了地理信息点的确定方法和装置。所述方法的一具体实施方式包括:获取用户的定位信息,其中,所述定位信息包括用户定位坐标;将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,其中,所述贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,所述基本信息包括地理信息点的定位坐标、历史到访用户的历史定位信息;将最大概率值对应的地理信息点确定为所述用户所处的地理信息点。该实施方式实现了确定用户所处的地理信息点。
Description
本申请为申请号为CN201610196304.9、申请日为2016年3月31日、发明名称为“地理信息点的确定方法和装置”的中国专利申请的分案申请。
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,尤其涉及地理信息点的确定方法和装置。
背景技术
地理信息点(POI,Point Of Interest),又称为“信息点”或“兴趣点”,指的是具有一定意义的场所,例如餐馆、学校、停车场。现有技术的定位,尤其是对用户定位,都是针对的用户所处于的绝对位置进行研究。
然而,现有技术缺少对用户所处于的地理信息点的数据进行挖掘和计算,不能确定用户所处的地理信息点。
发明内容
本申请的目的在于提出一种改进的地理信息点的确定方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请提供了一种地理信息点的确定方法,所述方法包括:获取用户的定位信息,其中,所述定位信息包括用户定位坐标;将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,其中,所述贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,所述基本信息包括地理信息点的定位坐标、历史到访用户的历史定位信息;将最大概率值对应的地理信息点确定为所述用户所处的地理信息点。
在一些实施例中,所述贝叶斯预测模型参数包括至少一个地理信息点中每个地理信息点的历史到访概率,其中,所述历史到访概率根据地理信息点的定位坐标和所述历史定位信息得到,其中:根据地理信息点的定位坐标和所述历史定位信息得到历史到访概率包括:按照预设规则选取至少一个地理信息点,并建立地理信息点集合;根据所述地理信息点集合中每个地理信息点的定位坐标和所述地理信息点集合中每个历史到访用户定位信息得到所述地理信息点集合中每个历史到访次数;计算所述地理信息点集合中的每个地理信息的历史到访次数的总和,将所述总和作为地理信息点集合的历史到访总次数;根据所述历史到访总次数和所述地理信息点集合中的地理信息点的历史到访次数,得到所述地理信息点集合中的每个地理信息点的历史到访概率。
在一些实施例中,所述根据地理信息点的定位坐标和所述地理信息点的历史到访用户定位信息得到所述地理信息点的历史到访次数,包括:选取地理信息点预设范围内的历史用户;获取所述历史定位坐标对应的历史用户的历史定位信息和历史搜索记录,其中,历史定位信息包括历史定位坐标和采集所述历史定位坐标时的历史定位时间;如果所述历史搜索记录中包括所述地理信息点的标识信息;则计算所述历史定位时间和搜索该地理信息点的时间点之间的时间间隔;响应于所述时间间隔小于预定阈值,将所述历史用户确定为所述地理信息点的历史到访用户。
在一些实施例中,所述历史到访用户的历史定位信息包括历史定位坐标和所述历史到访用户位于所述历史定位坐标时的历史定位时间;以及,所述贝叶斯预测模型参数包括:地理信息点的时间概率分布,其中,所述时间概率分布根据所述地理信息点的历史到访用户的历史定位时间得到。
在一些实施例中,所述用户的定位信息还包括所述用户位于所述用户定位坐标时的用户定位时间;以及,所述将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,包括:将所述用户定位时间和所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值。
在一些实施例中,所述贝叶斯预测模型参数包括地理信息点的定位概率,其中,所述定位概率根据所述地理信息点与聚类中心之间的距离得到,其中,所述聚类中心由至少一个地理信息点聚类得到。
在一些实施例中,所述聚类中心由至少一个地理信息点聚类得到,包括:通过K-means算法聚类得到至少一个地理信息点的聚类中心,其中:选取至少一个地理信息点,并建立聚类地理信息点集合;根据所述聚类地理信息点集合到访的总次数确定聚类数目;选取所述聚类数目个定位坐标作为初始聚类中心;将所述聚类数目、所述初始聚类中心对应的坐标和聚类地理信息点集合中地理信息点的定位坐标设置为K-means算法的输入值,得到所述聚类数目个聚类中心。
在一些实施例中,所述用户的定位信息还包括所述用户位于所述用户定位坐标时的用户定位时间;以及,所述获取用户的定位信息,包括:筛选出用户定位时间在预设时间段内的用户定位坐标,并建立原始用户定位坐标集合;剔除所述原始用户定位坐标集合中的异常点,得到用户定位坐标集合,其中,所述异常点是指在第二预设时间段内移动的距离大于预设距离阈值的坐标点;将所述用户定位坐标集合中的至少一个用户定位坐标通过轨迹聚类算法聚合成一个轨迹中心坐标;将所述用户定位坐标集合中的至少一个用户定位时间的所对应时间点的平均时间点作为轨迹中心时间;以及,所述将所述轨迹中心坐标和所述轨迹中心时间作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,包括:将所述轨迹中心坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值。
在一些实施例中,所述方法在将最大概率值对应的地理信息点确定为所述用户所处的地理信息点后,还包括:对所述用户的定位信息添加所述最大概率值对应的地理信息点的历史到访用户标记;将带有历史到访用户标记的所述用户的定位信息加入到所述贝叶斯预测模型的样本数据集合中;利用所述样本数据集合中的样本数据训练生成新的贝叶斯预测模型。
第二方面,本申请提供了一种地理信息点的确定装置,所述装置包括:获取模块,配置用于获取用户的定位信息,其中,所述定位信息包括用户定位坐标;计算模块,配置用于将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,其中,所述贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,所述基本信息包括地理信息点的定位坐标、历史到访用户的历史定位信息;确定模块,配置用于将最大概率值对应的地理信息点确定为所述用户所处的地理信息点。
在一些实施例中,所述贝叶斯预测模型参数包括至少一个地理信息点中每个地理信息点的历史到访概率,其中,所述历史到访概率根据地理信息点的定位坐标和所述历史定位信息得到,其中:根据地理信息点的定位坐标和所述历史定位信息得到历史到访概率包括:按照预设规则选取至少一个地理信息点,并建立地理信息点集合;根据所述地理信息点集合中每个地理信息点的定位坐标和所述地理信息点集合中每个历史到访用户定位信息得到所述地理信息点集合中每个历史到访次数;计算所述地理信息点集合中的每个地理信息的历史到访次数的总和,将所述总和作为地理信息点集合的历史到访总次数;根据所述历史到访总次数和所述地理信息点集合中的地理信息点的历史到访次数,得到所述地理信息点集合中的每个地理信息点的历史到访概率。
在一些实施例中,所述根据地理信息点的定位坐标和所述地理信息点的历史到访用户定位信息得到所述地理信息点的历史到访次数,包括:选取地理信息点预设范围内的历史用户;获取所述历史定位坐标对应的历史用户的历史定位信息和历史搜索记录,其中,历史定位信息包括历史定位坐标和采集所述历史定位坐标时的历史定位时间;如果所述历史搜索记录中包括所述地理信息点的标识信息;则计算所述历史定位时间和搜索该地理信息点的时间点之间的时间间隔;响应于所述时间间隔小于预定阈值,将所述历史用户确定为所述地理信息点的历史到访用户。
在一些实施例中,所述历史到访用户的历史定位信息包括历史定位坐标和所述历史到访用户位于所述历史定位坐标时的历史定位时间;以及,所述贝叶斯预测模型参数包括:地理信息点的时间概率分布,其中,所述时间概率分布根据所述地理信息点的历史到访用户的历史定位时间得到。
在一些实施例中,所述用户的定位信息还包括所述用户位于所述用户定位坐标时的用户定位时间;以及,所述计算模块,进一步用于:将所述用户定位时间和所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值。
在一些实施例中,所述贝叶斯预测模型参数包括地理信息点的定位概率,其中,所述定位概率根据所述地理信息点与聚类中心之间的距离得到,其中,所述聚类中心由至少一个地理信息点聚类得到。
在一些实施例中,所述聚类中心由至少一个地理信息点聚类得到,包括:通过K-means算法聚类得到至少一个地理信息点的聚类中心,其中:选取至少一个地理信息点,并建立聚类地理信息点集合;根据所述聚类地理信息点集合到访的总次数确定聚类数目;选取所述聚类数目个定位坐标作为初始聚类中心;将所述聚类数目、所述初始聚类中心对应的坐标和聚类地理信息点集合中地理信息点的定位坐标设置为K-means算法的输入值,得到所述聚类数目个聚类中心。
在一些实施例中,所述用户的定位信息还包括所述用户位于所述用户定位坐标时的用户定位时间;以及,所述获取模块,进一步用于:筛选出用户定位时间在预设时间段内的用户定位坐标,并建立原始用户定位坐标集合;剔除所述原始用户定位坐标集合中的异常点,得到用户定位坐标集合,其中,所述异常点是指在第二预设时间段内移动的距离大于预设距离阈值的坐标点;将所述用户定位坐标集合中的至少一个用户定位坐标通过轨迹聚类算法聚合成一个轨迹中心坐标;将所述用户定位坐标集合中的至少一个用户定位时间的所对应时间点的平均时间点作为轨迹中心时间;以及,所述将所述轨迹中心坐标和所述轨迹中心时间作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,包括:将所述轨迹中心坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值。
在一些实施例中,所述装置还包括更新模块,配置用于:对所述用户的定位信息添加所述最大概率值对应的地理信息点的历史到访用户标记;将带有历史到访用户标记的所述用户的定位信息加入到所述贝叶斯预测模型的样本数据集合中;利用所述样本数据集合中的样本数据训练生成新的贝叶斯预测模型。
本申请提供的地理信息点的确定方法和装置,通过获取用户的定位信息,其中,所述定位信息包括用户定位坐标;将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,其中,所述贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,所述基本信息包括地理信息点的定位坐标、历史到访用户的历史定位信息;将最大概率值对应的地理信息点确定为所述用户所处的地理信息点,实现了确定用户所处的地理信息点。
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2是根据本申请的地理信息点的确定方法的一个实施例的流程图;
图3是根据本申请的地理信息点的确定方法的又一个实施例的流程图;
图4是根据本申请的地理信息点的确定方法的地理信息点的时间概率分布;
图5是根据本申请的地理信息点的确定装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的终端设备或服务器的计算机***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地理信息点的确定方法或地理信息点的确定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上可以安装有各种通讯客户端应用,例如地图类应用、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可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
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定位服务服务器。定位服务服务器可以对接收到的定位数据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地理信息点的确定方法一般由服务器105执行,相应地,地理信息点的确定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2,示出了根据本申请的地理信息点的确定方法的一个实施例的流程200。上述的地理信息点的确定方法,包括以下步骤:
步骤201,获取用户的定位信息。
在本实施例中,地理信息点的确定方法运行于其上的电子设备(例如图1所示的服务器)可以基于用户所使用的移动终端获取用户的定位信息。需要指出的是,上述基于用户所使用的移动终端获取用户的定位信息,可以有多种方式实现,在这里,实现方式包括但不限于基于GPS(Global Positioning System,全球定位***)的定位、基于移动运营网的基站的定位、基于AGPS(AssistedGPS,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移动终端定位方式。
在本实施例中,上述用户的定位信息包括用户定位坐标。在这里,用户定位坐标可以是经纬度坐标。
步骤202,将用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据贝叶斯预测模型得到用户处于至少一个地理信息点中每个地理信息点的概率值。
在本实施例中,基于步骤201中得到用户的用户定位坐标,上述电子设备(例如图1所示的服务器)可以首先将上述定位坐标作为预先训练贝叶斯预测模型的输入值;之后再利用贝叶斯预测模型得到用户处于某个地理信息点的概率;一次或多次利用贝叶斯预测模型得到用户处于至少一个地理信息点中每个地理信息点的概率,作为示例,可以将用户的用户定位坐标作为贝叶斯预测模型的输入值得到用户处于甲地的概率是a,再利用贝叶斯预测模型预测上述用户得到用户处于乙地的概率是b。
在本实施例中,贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,上述基本信息包括地理信息点的定位坐标,历史到访用户的历史定位信息。在这里,上述贝叶斯预测模型是以贝叶斯公式为基础原理所建立的预测模型,作为示例,应用于本实施例的贝叶斯公式可以用下式表示:
P(U|poi)=A*B
其中,poi表示某一地理信息点,U表示用户的定位信息,P(U|poi)表示用户处于某一地理信息点的概率,A、B均是贝叶斯预测模型参数,*表示参数贝叶斯预测模型A和贝叶斯预测模型参数B之间具有运算关系,上述运算关系包括但不限于乘积关系、加和关系。
在本实施例的一些可选的实现方式中,上述贝叶斯预测模型参数包括至少一个地理信息点中每个地理信息点的历史到访概率,其中,上述历史到访概率根据地理信息点的定位坐标和上述历史定位信息得到,其中,可以通过以下步骤得到根据地理信息的定位坐标和上述历史定位信息到底历史到访概率:按照预设规则选取至少一个地理信息点,并建立地理信息点集合;根据上述地理信息点集合中每个地理信息点的定位坐标和上述地理信息点集合中每个历史到访用户定位信息得到上述地理信息点集合中每个历史到访次数;计算上述地理信息点集合中的每个地理信息的历史到访次数的总和,将上述总和作为地理信息点集合的历史到访总次数;根据上述历史到访总次数和上述地理信息点集合中的地理信息点的历史到访次数,得到上述地理信息点集合中的每个地理信息点的历史到访概率。
作为示例,选取距离较近的三个地理信息点建立地理信息点集合,三个地理信息点分别命名为地理信息点a、地理信息点b、地理信息点c,这三个地理信息点到访的在一天中到访的总次数是100次,其中到访地理信息点a的次数是20次,到访地理信息点b的次数堵车30次,到访地理信息点c的次数是50次,那么地理信息点a的历史到访概率是20/100为百分之二十,那么地理信息点a的历史到访概率是30/100为百分之三十,那么地理信息点a的历史到访概率是50/100为百分之五十。
可选地,根据地理信息点的定位坐标和上述地理信息点的历史到访用户定位信息得到上述地理信息点的历史到访次数,可以通过以下步骤得到:选取地理信息点预设范围内的历史用户;获取上述历史定位坐标对应的历史用户的历史定位信息和历史搜索记录,其中,历史定位信息包括历史定位坐标和采集上述历史定位坐标时的历史定位时间;如果上述历史搜索记录中包括上述地理信息点的标识信息;则计算上述历史定位时间和搜索该地理信息点的时间点之间的时间间隔;响应于上述时间间隔小于预定阈值,将上述历史用户确定为上述地理信息点的历史到访用户。
作为示例,选取地理信息点甲的半径100米范围内上午10点到11点的历史用户,例如用户张一在上午10点30分位于此范围内,然后获取张一的搜索记录,如果搜索记录,如果搜索记录中包括地理信息点甲的标识信息,比如地理信息点甲的名称、与地理信息点甲的名称相似的名称,再后,获取搜索地理信息点甲的标识信息的时间点,比如是10点15分,搜索时间点10点15分与历史定位时间10点30分时间间隔小于预定阈值,则将上述历史用户确定为上述地理信息点的历史到访用户,可以理解的是,上述预定阈值可以是半小时,可以是一天,也可以是一个月。
可选地,根据地理信息点的定位坐标和上述地理信息点的历史到访用户定位信息得到上述地理信息点的历史到访次数,可以通过以下方式得到: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,那么可以确定此历史用户为该地理信息点的历史到访用户。
可选地,根据预设规则选取至少一个地理信息点,并建立地理信息点集合,其中,选取至少一个地理的预设规则可以是选取以用户为中心,预定范围内的若干个地理信息点。也可以是预先根据地理信息点的密集程度建立了将某一区域的地理信息点划分为若干个地理信息点集合,例如,将某一大学校园分别以主教学楼、体育馆、图书馆为中心,建立三个地理信息点集合,其中,以体育馆为中心的地理信息点集合中可能包括器材室、操场。
在本实施例一些可选的实现方式中,上述贝叶斯预测模型参数包括地理信息点的定位概率,其中,上述定位概率根据上述地理信息点与聚类中心之间的距离得到,其中,上述聚类中心由至少一个地理信息点聚类得到。例如,将上述地理信息点与上述聚类中心之间距离的反比作为上述地理信息点的定位概率。当然,还可以将地理信息点与聚类中心之间距离的反比再乘以系数作为上述地理信息点的定位概率。
可选地,可以利用上述聚类中心为上述用户与地理信息点之间的桥梁,首先计算用户-聚类中心概率,例如可以将上述用户与聚类中心距离的反比作为用户-聚类中心概率,再将用户-聚类中心概率与上述定位概率的乘积作为用户在地理信息点的概率。作为示例,用户甲在聚类中心A和聚类中心B附近,用户甲与聚类中心A之间的距离是10米,用户甲与聚类中心A之间的距离是20米;聚类中心A的聚类地理信息点集合中有地理信息点c和地理信息点d,其中,地理信息点c与聚类中心A之间的距离1米,地理信息点c与聚类中心A之间的距离是2米;聚类中心B的聚类地理信息点集合中有地理信息点e,其中,地理信息点e与聚类中心B之间的距离是4米;那么,如果将地理中心与聚类中心之间距离的反比作为定位概率,那么地理信息点a的定位概率是1/1,那么地理信息点b的定位概率是1/2,那么地理信息点c的定位概率是1/4,用户与聚类中心A之间的用户-聚类中心概率是1/10,用户与聚类中心B之间的用户-聚类中心概率是1/20;最后,得到,上述用户在地理信息点a的概率是(1/1)*(1/10),上述用户在地理信息点b的概率是(1/2)*(1/10),上述用户在地理信息点c的概率是(1/4)*(1/20)。在这里,“/”表示除号,“*”表示运算,优选地,“*”表示乘号。
可选地,至少一个地理信息点聚类得到聚类中心可以随机划分区域,可以利用聚类算法聚类,其中,聚类算法包括但不限于:k-means聚类算法、层次聚类算法、SOM聚类算法、FCM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,在此不作赘述。
可选地,可以通过K-means算法聚类得到至少一个地理信息点的聚类中心,可选地,具体过程如下:选取至少一个地理信息点,并建立聚类地理信息点集合;根据上述聚类地理信息点集合到访的总次数确定聚类数目;选取上述聚类数目个定位坐标作为初始聚类中心;将上述聚类数目、上述初始聚类中心对应的坐标和聚类地理信息点集合中地理信息点的定位坐标设置为K-means算法的输入值,得到上述聚类数目个聚类中心。应该理解,K-means算法是本领域的技术人员公知的聚类算法,在此不作赘述。
可选地,可以根据聚类地理信息集合中地理信息点的个数确定聚类数目,也可以根据聚类地理信息点集合中地理信息点分布是否具有明显的分区密集的现象确定地理信息点的个数。
可选地,可以随机选取上述聚类数目个定位坐标作为初始聚类中心,也可以将历史到访概率大于预定阈值的地理信息点的定位坐标作为初始聚类中心。
步骤203,将最大概率值对应的地理信息点确定为上述用户所处的地理信息点。
在本实施例中,基于步骤202得到的用户处于至少一个地理信息点中每个地理信息点的概率值,上述概率值中选取出最大的概率值作为最大概率值,将最大概率值对应的地理信息点确定为上述用户所处的地理信息点。
本申请的上述实施例提供的方法通过利用地理信息点的历史到访概率和定位概率,实现了确定用户所处的地理信息点。
进一步参考图3,其示出了地理信息点的确定方法的又一个实施例的流程300。该地理信息点的确定方法的流程300,包括以下步骤:
步骤301,获取用户的用户定位坐标和用户定位时间。
在本实施例中,地理信息点的确定方法运行于其上的电子设备(例如图1所示的服务器)可以基于用户所使用的移动终端获取用户的定位信息。
在本实施例中,上述用户的定位信息包括用户定位坐标和上述用户位于上述用户定位坐标时的用户定位时间。可以通过以下步骤获取用户的定位信息:筛选出用户定位时间在预设时间段内的用户定位坐标,并建立原始用户定位坐标集合;剔除上述原始用户定位坐标集合中的异常点,得到用户定位坐标集合,其中,上述异常点是指在第二预设时间段内移动的距离大于预设距离阈值的坐标点;将上述用户定位坐标集合中的至少一个用户定位坐标通过轨迹聚类算法聚合成一个轨迹中心坐标;将上述用户定位坐标集合中的至少一个用户定位时间的所对应时间点的平均时间点作为轨迹中心时间;将上述轨迹中心坐标和上述轨迹中心时间作为预先训练的贝叶斯预测模型的输入值,并根据上述贝叶斯预测模型得到上述用户处于至少一个地理信息点中每个地理信息点的概率值。
步骤302,将用户定位坐标和用户定位时间作为预先训练的贝叶斯预测模型的输入值,并根据贝叶斯预测模型得到用户处于至少一个地理信息点中每个地理信息点的概率值。
在本实施例中,基于步骤301中得到用户的用户定位坐标,上述电子设备(例如图1所示的服务器)可以首先将上述定位坐标作为预先训练贝叶斯预测模型的输入值;之后再利用贝叶斯预测模型得到用户处于某个地理信息点的概率;一次或多次利用贝叶斯预测模型得到用户处于至少一个地理信息点的概率。
在本实施例中,贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,上述基本信息包括地理信息点的定位坐标,历史到访用户的历史定位信息。在这里,上述贝叶斯预测模型是以贝叶斯公式为基础原理所建立的预测模型,作为示例,应用于本实施例的贝叶斯公式可以用下式表示:
P(U|poi)=A*B
其中,poi表示某一地理信息点,U表示用户的定位信息,P(U|poi)表示用户处于某一地理信息点的概率,A、B均是贝叶斯预测模型参数,*表示参数贝叶斯预测模型A和贝叶斯预测模型参数B之间具有运算关系,上述运算关系包括但不限于乘积关系、加和关系。
在本实施例中,上述贝叶斯预测模型参数包括至少一个地理信息点中每个地理信息点的历史到访概率,其中,上述历史到访概率根据地理信息点的定位坐标和上述历史定位信息得到。
在本实施例中,上述贝叶斯预测模型参数包括地理信息点的定位概率,其中,上述定位概率根据上述地理信息点与聚类中心之间的距离得到,其中,上述聚类中心由至少一个地理信息点聚类得到。
在本实施例中,上述贝叶斯预测模型参数包括地理信息点的时间概率分布,其中,上述时间概率分布根据地理信息点的历史到访用户的历史定位时间得到,其中,上述历史定位时间是历史到访用户处于历史定位坐标时的时间点,历史定位坐标和历史定位时间属于历史到访用户的历史定位信息,通过采集历史用户的历史定位信息得到上述历史定位坐标和历史定位时间。作为示例,可以参考图4,其示出了地理信息点按照一周的时间概率分布。地理信息点甲在一周七天里总共有100个历史到访用户,周一到周五每天有10个历史到访用户,周六有20个历史到访用户,周日有30个历史到访用户,在这里,假定每个历史到访用户到访地理信息点甲一次。可以建立以星期为周期的时间概率分布。
可选地,时间概率分布的周期可以是一天的二十四小时,可以是一周的七天,可以是一个月的天数,可以是一年的十二个月,也可以是一年的四个季度。当然,也可以上述周期形式的组合。作为示例,可以建立一天二十四小时和一周七天的组合,某用户在周五的19点到访地理信息点甲的概率,可以将周五在地理信息点甲一周中对应的时间概率和19点在地理信息点甲一天中对应的时间概率,作为参数值计算该用户在周五的19点到访地理信息点甲的概率。
在本实施例一些可选的实现方式中,上述用户的定位信息还包括上述用户位于上述用户定位坐标时的用户定位时间,可以将上述用户定位时间和上述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据上述贝叶斯预测模型得到上述用户处于至少一个地理信息点中每个地理信息点的概率值。
步骤303,将最大概率值对应的地理信息点确定为用户所处的地理信息点。
在本实施例中,基于步骤302得到的用户处于至少一个地理信息点中每个地理信息点的概率值,上述概率值中选取出最大的概率值作为最大概率值,将最大概率值对应的地理信息点确定为上述用户所处的地理信息点。
步骤304,基于用户的定位信息生成新的贝叶斯预测模型。
在本实施例中,基于步骤303,对上述用户的定位信息添加上述最大概率值对应的地理信息点的历史到访用户标记,将带有历史到访用户标记的上述用户的定位信息加入到上述贝叶斯预测模型的样本数据集合中,利用上述样本数据集合中的样本数据训练生成新的贝叶斯预测模型。
从图3中可以看出,与图2对应的实施例相比,本实施例中的地理信息点的确定方法的流程300突出了引入用户的用户定位时间的步骤,并且利用了地理信息点的时间概率分布,从而实现更准确地确定用户所处的地理信息点。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种地理信息点的确定装置的一个实施例,该装置实施例与图2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5所示,本实施例上述的地理信息点的确定装置500包括:获取模块501、计算模块502、确定模块503。其中,获取模块,配置用于获取用户的定位信息,其中,上述定位信息包括用户定位坐标;计算模块,配置用于将上述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据上述贝叶斯预测模型得到上述用户处于至少一个地理信息点中每个地理信息点的概率值,其中,上述贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,上述基本信息包括地理信息点的定位坐标、历史到访用户的历史定位信息;确定模块,配置用于将最大概率值对应的地理信息点确定为上述用户所处的地理信息点。
在本实施例中,地理信息点的确定装置500的获取模块501可以基于用户所使用的移动终端获取用户的定位信息。需要指出的是,上述基于用户所使用的移动终端获取用户的定位信息,可以有多种方式实现。
在本实施例中,基于获取模块501得到的用户的定位信息,上述计算模块502可以获取模块501中得到用户的用户定位坐标,上述电子设备(例如图1所示的服务器)可以首先将上述定位坐标作为预先训练贝叶斯预测模型的输入值;之后再利用贝叶斯预测模型得到用户处于某个地理信息点的概率;一次或多次利用贝叶斯预测模型得到用户处于至少一个地理信息点中每个地理信息点的概率。
在本实施例中,基于计算模块502得到的用户处于至少一个地理信息点中每个地理信息点的概率值,确定模块503从上述概率值中选取出最大的概率值作为最大概率值,将最大概率值对应的地理信息点确定为上述用户所处的地理信息点。
在本实施例一些可选的实现方式中,地理信息点的确定装置500还包括更新模块504,配置用于对上述用户的定位信息添加上述最大概率值对应的地理信息点的历史到访用户标记,将带有历史到访用户标记的上述用户的定位信息加入到上述贝叶斯预测模型的样本数据集合中,利用上述样本数据集合中的样本数据训练生成新的贝叶斯预测模型。
本领域技术人员可以理解,上述地理信息点的确定装置500还包括一些其他公知结构,例如处理器、存储器等,为了不必要地模糊本公开的实施例,这些公知的结构在图5中未示出。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机***600的结构示意图。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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,其包括有形地包含在机器可读介质上的计算机程序,上述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609从网络上被下载和安装,和/或从可拆卸介质611被安装。
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,上述模块、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模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、计算模块、确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取用户的定位信息的模块”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当上述一个或者多个程序被一个设备执行时,使得上述设备:获取用户的定位信息,其中,上述定位信息包括用户定位坐标;将上述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据上述贝叶斯预测模型得到上述用户处于至少一个地理信息点中每个地理信息点的概率值,其中,上述贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,上述基本信息包括地理信息点的定位坐标、历史到访用户的历史定位信息;将最大概率值对应的地理信息点确定为上述用户所处的地理信息点。
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 (16)
1.一种地理信息点的确定方法,其特征在于,所述方法包括:
获取用户的定位信息,其中,所述定位信息包括用户定位坐标和所述用户位于所述用户定位坐标时的用户定位时间;
将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,其中,所述贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,所述基本信息包括地理信息点的定位坐标、历史到访用户的历史定位信息;
将最大概率值对应的地理信息点确定为所述用户所处的地理信息点;其中
所述获取用户的定位信息,包括:
筛选出用户定位时间在预设时间段内的用户定位坐标,并建立原始用户定位坐标集合;
剔除所述原始用户定位坐标集合中的异常点,得到用户定位坐标集合,其中,所述异常点是指在第二预设时间段内移动的距离大于预设距离阈值的坐标点;
将所述用户定位坐标集合中的至少一个用户定位坐标通过轨迹聚类算法聚合成一个轨迹中心坐标;
将所述用户定位坐标集合中的至少一个用户定位时间的所对应时间点的平均时间点作为轨迹中心时间;以及
所述将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,包括:
所述将所述轨迹中心坐标和所述轨迹中心时间作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值。
2.根据权利要求1所述的方法,其特征在于,所述贝叶斯预测模型参数包括至少一个地理信息点中每个地理信息点的历史到访概率,其中,所述历史到访概率根据地理信息点的定位坐标和所述历史定位信息得到,其中:
根据地理信息点的定位坐标和所述历史定位信息得到历史到访概率包括:
按照预设规则选取至少一个地理信息点,并建立地理信息点集合;
根据所述地理信息点集合中每个地理信息点的定位坐标和所述地理信息点集合中每个历史到访用户定位信息得到所述地理信息点集合中每个历史到访次数;
计算所述地理信息点集合中的每个地理信息的历史到访次数的总和,将所述总和作为地理信息点集合的历史到访总次数;
根据所述历史到访总次数和所述地理信息点集合中的地理信息点的历史到访次数,得到所述地理信息点集合中的每个地理信息点的历史到访概率。
3.根据权利要求2所述的方法,其特征在于,所述根据地理信息点的定位坐标和所述地理信息点的历史到访用户定位信息得到所述地理信息点的历史到访次数,包括:
选取地理信息点预设范围内的历史用户;
获取所述历史定位坐标对应的历史用户的历史定位信息和历史搜索记录,其中,历史定位信息包括历史定位坐标和采集所述历史定位坐标时的历史定位时间;
如果所述历史搜索记录中包括所述地理信息点的标识信息;
则计算所述历史定位时间和搜索该地理信息点的时间点之间的时间间隔;
响应于所述时间间隔小于预定阈值,将所述历史用户确定为所述地理信息点的历史到访用户。
4.根据权利要求1所述的方法,其特征在于,所述历史到访用户的历史定位信息包括历史定位坐标和所述历史到访用户位于所述历史定位坐标时的历史定位时间;以及,
所述贝叶斯预测模型参数包括:
地理信息点的时间概率分布,其中,所述时间概率分布根据所述地理信息点的历史到访用户的历史定位时间得到。
5.根据权利要求4所述的方法,其特征在于,所述用户的定位信息还包括所述用户位于所述用户定位坐标时的用户定位时间;以及,
所述将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,包括:
将所述用户定位时间和所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值。
6.根据权利要求1所述的方法,其特征在于,所述贝叶斯预测模型参数包括地理信息点的定位概率,其中,所述定位概率根据所述地理信息点与聚类中心之间的距离得到,其中,所述聚类中心由至少一个地理信息点聚类得到。
7.根据权利要求6所述的方法,其特征在于,所述聚类中心由至少一个地理信息点聚类得到,包括:
通过K-means算法聚类得到至少一个地理信息点的聚类中心,其中:
选取至少一个地理信息点,并建立聚类地理信息点集合;
根据所述聚类地理信息点集合到访的总次数确定聚类数目;
选取所述聚类数目个定位坐标作为初始聚类中心;
将所述聚类数目、所述初始聚类中心对应的坐标和聚类地理信息点集合中地理信息点的定位坐标设置为K-means算法的输入值,得到所述聚类数目个聚类中心。
8.根据权利要求1-7所述的方法,其特征在于,所述方法在将最大概率值对应的地理信息点确定为所述用户所处的地理信息点后,还包括:
对所述用户的定位信息添加所述最大概率值对应的地理信息点的历史到访用户标记;
将带有历史到访用户标记的所述用户的定位信息加入到所述贝叶斯预测模型的样本数据集合中;
利用所述样本数据集合中的样本数据训练生成新的贝叶斯预测模型。
9.一种地理信息点的确定装置,其特征在于,所述装置包括:
获取模块,配置用于获取用户的定位信息,其中,所述定位信息包括用户定位坐标;
计算模块,配置用于将所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值,其中,所述贝叶斯预测模型利用地理信息点的基本信息作为样本数据训练得到,其中,所述基本信息包括地理信息点的定位坐标、历史到访用户的历史定位信息;
确定模块,配置用于将最大概率值对应的地理信息点确定为所述用户所处的地理信息点;其中
所述获取模块,进一步用于:筛选出用户定位时间在预设时间段内的用户定位坐标,并建立原始用户定位坐标集合;剔除所述原始用户定位坐标集合中的异常点,得到用户定位坐标集合,其中,所述异常点是指在第二预设时间段内移动的距离大于预设距离阈值的坐标点;将所述用户定位坐标集合中的至少一个用户定位坐标通过轨迹聚类算法聚合成一个轨迹中心坐标;将所述用户定位坐标集合中的至少一个用户定位时间的所对应时间点的平均时间点作为轨迹中心时间;
所述计算模块,进一步用于:将所述轨迹中心坐标和所述轨迹中心时间作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值。
10.根据权利要求9所述的装置,其特征在于,所述贝叶斯预测模型参数包括至少一个地理信息点中每个地理信息点的历史到访概率,其中,所述历史到访概率根据地理信息点的定位坐标和所述历史定位信息得到,其中:
根据地理信息点的定位坐标和所述历史定位信息得到历史到访概率包括:
按照预设规则选取至少一个地理信息点,并建立地理信息点集合;
根据所述地理信息点集合中每个地理信息点的定位坐标和所述地理信息点集合中每个历史到访用户定位信息得到所述地理信息点集合中每个历史到访次数;
计算所述地理信息点集合中的每个地理信息的历史到访次数的总和,将所述总和作为地理信息点集合的历史到访总次数;
根据所述历史到访总次数和所述地理信息点集合中的地理信息点的历史到访次数,得到所述地理信息点集合中的每个地理信息点的历史到访概率。
11.根据权利要求10所述的装置,其特征在于,所述根据地理信息点的定位坐标和所述地理信息点的历史到访用户定位信息得到所述地理信息点的历史到访次数,包括:
选取地理信息点预设范围内的历史用户;
获取所述历史定位坐标对应的历史用户的历史定位信息和历史搜索记录,其中,历史定位信息包括历史定位坐标和采集所述历史定位坐标时的历史定位时间;
如果所述历史搜索记录中包括所述地理信息点的标识信息;
则计算所述历史定位时间和搜索该地理信息点的时间点之间的时间间隔;
响应于所述时间间隔小于预定阈值,将所述历史用户确定为所述地理信息点的历史到访用户。
12.根据权利要求9所述的装置,其特征在于,所述历史到访用户的历史定位信息包括历史定位坐标和所述历史到访用户位于所述历史定位坐标时的历史定位时间;以及,
所述贝叶斯预测模型参数包括:
地理信息点的时间概率分布,其中,所述时间概率分布根据所述地理信息点的历史到访用户的历史定位时间得到。
13.根据权利要求12所述的装置,其特征在于,所述用户的定位信息还包括所述用户位于所述用户定位坐标时的用户定位时间;以及,
所述计算模块,进一步用于:
将所述用户定位时间和所述用户定位坐标作为预先训练的贝叶斯预测模型的输入值,并根据所述贝叶斯预测模型得到所述用户处于至少一个地理信息点中每个地理信息点的概率值。
14.根据权利要求9所述的装置,其特征在于,所述贝叶斯预测模型参数包括地理信息点的定位概率,其中,所述定位概率根据所述地理信息点与聚类中心之间的距离得到,其中,所述聚类中心由至少一个地理信息点聚类得到。
15.根据权利要求14所述的装置,其特征在于,所述聚类中心由至少一个地理信息点聚类得到,包括:
通过K-means算法聚类得到至少一个地理信息点的聚类中心,其中:
选取至少一个地理信息点,并建立聚类地理信息点集合;
根据所述聚类地理信息点集合到访的总次数确定聚类数目;
选取所述聚类数目个定位坐标作为初始聚类中心;
将所述聚类数目、所述初始聚类中心对应的坐标和聚类地理信息点集合中地理信息点的定位坐标设置为K-means算法的输入值,得到所述聚类数目个聚类中心。
16.根据权利要求15所述的装置,其特征在于,所述装置还包括更新模块,配置用于:
对所述用户的定位信息添加所述最大概率值对应的地理信息点的历史到访用户标记;
将带有历史到访用户标记的所述用户的定位信息加入到所述贝叶斯预测模型的样本数据集合中;
利用所述样本数据集合中的样本数据训练生成新的贝叶斯预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910263239.0A CN110008414B (zh) | 2016-03-31 | 2016-03-31 | 地理信息点的确定方法和装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910263239.0A CN110008414B (zh) | 2016-03-31 | 2016-03-31 | 地理信息点的确定方法和装置 |
CN201610196304.9A CN105893537B (zh) | 2016-03-31 | 2016-03-31 | 地理信息点的确定方法和装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610196304.9A Division CN105893537B (zh) | 2016-03-31 | 2016-03-31 | 地理信息点的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008414A true CN110008414A (zh) | 2019-07-12 |
CN110008414B CN110008414B (zh) | 2021-07-27 |
Family
ID=57011715
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610196304.9A Active CN105893537B (zh) | 2016-03-31 | 2016-03-31 | 地理信息点的确定方法和装置 |
CN201910263239.0A Active CN110008414B (zh) | 2016-03-31 | 2016-03-31 | 地理信息点的确定方法和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610196304.9A Active CN105893537B (zh) | 2016-03-31 | 2016-03-31 | 地理信息点的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN105893537B (zh) |
Cited By (1)
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*** |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767835B (zh) * | 2017-02-08 | 2020-09-25 | 百度在线网络技术(北京)有限公司 | 定位方法和装置 |
CN107133689B (zh) * | 2017-04-19 | 2021-05-25 | 清华大学深圳研究生院 | 一种位置标记方法 |
CN110070371B (zh) * | 2017-11-20 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 一种数据预测模型建立方法及其设备、存储介质、服务器 |
CN110740418A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术(北京)有限公司 | 用于生成用户到访信息的方法和装置 |
CN109041218B (zh) * | 2018-09-25 | 2020-08-11 | 广东小天才科技有限公司 | 一种预测用户位置的方法和智能硬件 |
CN111460057B (zh) * | 2019-01-22 | 2023-06-27 | 阿里巴巴集团控股有限公司 | Poi坐标确定方法、装置与设备 |
CN110717006B (zh) * | 2019-10-12 | 2022-09-20 | 广东小天才科技有限公司 | 用户学校位置的分析方法、***、存储介质及电子设备 |
CN111966774A (zh) * | 2020-08-18 | 2020-11-20 | 湖南省长株潭烟草物流有限责任公司 | 烟包零售户的动态定位方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530601A (zh) * | 2013-07-16 | 2014-01-22 | 南京师范大学 | 一种基于贝叶斯网络的监控盲区人群状态推演方法 |
CN103593361A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动时空轨迹分析方法 |
CN104537027A (zh) * | 2014-12-19 | 2015-04-22 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
CN105009475A (zh) * | 2012-12-13 | 2015-10-28 | 华为技术有限公司 | 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和*** |
US20150339397A1 (en) * | 2010-12-17 | 2015-11-26 | Microsoft Technology Licensing, Llc | Mobile search based on predicted location |
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 |
CN105357638A (zh) * | 2015-11-06 | 2016-02-24 | 百度在线网络技术(北京)有限公司 | 预测预定时刻的用户位置的方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162830A1 (en) * | 2003-02-18 | 2004-08-19 | Sanika Shirwadkar | Method and system for searching location based information on a mobile device |
US7805450B2 (en) * | 2007-03-28 | 2010-09-28 | Yahoo, Inc. | System for determining the geographic range of local intent in a search query |
CN102594905B (zh) * | 2012-03-07 | 2014-07-16 | 南京邮电大学 | 一种基于场景的社交网络位置兴趣点推荐方法 |
CN103916954B (zh) * | 2013-01-07 | 2017-11-03 | 华为技术有限公司 | 基于wlan的概率定位方法及定位装置 |
CN103810851B (zh) * | 2014-01-23 | 2015-10-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
-
2016
- 2016-03-31 CN CN201610196304.9A patent/CN105893537B/zh active Active
- 2016-03-31 CN CN201910263239.0A patent/CN110008414B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150339397A1 (en) * | 2010-12-17 | 2015-11-26 | Microsoft Technology Licensing, Llc | Mobile search based on predicted location |
CN103593361A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动时空轨迹分析方法 |
CN105009475A (zh) * | 2012-12-13 | 2015-10-28 | 华为技术有限公司 | 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和*** |
CN103530601A (zh) * | 2013-07-16 | 2014-01-22 | 南京师范大学 | 一种基于贝叶斯网络的监控盲区人群状态推演方法 |
CN104537027A (zh) * | 2014-12-19 | 2015-04-22 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
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 |
CN105357638A (zh) * | 2015-11-06 | 2016-02-24 | 百度在线网络技术(北京)有限公司 | 预测预定时刻的用户位置的方法和装置 |
Cited By (1)
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*** |
Also Published As
Publication number | Publication date |
---|---|
CN110008414B (zh) | 2021-07-27 |
CN105893537B (zh) | 2019-06-07 |
CN105893537A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105893537B (zh) | 地理信息点的确定方法和装置 | |
US9852435B2 (en) | Telemetrics based location and tracking | |
EP3241370B1 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
Hwang et al. | An effective taxi recommender system based on a spatio-temporal factor analysis model | |
US8620624B2 (en) | Event identification in sensor analytics | |
Ojagh et al. | A location-based orientation-aware recommender system using IoT smart devices and Social Networks | |
CN106767835B (zh) | 定位方法和装置 | |
US9846887B1 (en) | Discovering neighborhood clusters and uses therefor | |
US8538679B1 (en) | Enhanced geocoding | |
WO2015177858A1 (ja) | トリップ属性推定システム、トリップ属性推定方法、トリップ属性推定プログラム、及び交通行動調査システム | |
JP2020537252A (ja) | 類似のモバイル装置を予測するためのシステムと方法 | |
CN109631922A (zh) | 信息处理装置、信息处理方法和存储程序的非暂时性存储介质 | |
Zhang et al. | Measuring positive public transit accessibility using big transit data | |
CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
CN110276387A (zh) | 一种模型的生成方法及装置 | |
US20130325746A1 (en) | Method for Analyzing and Ranking Venues | |
CN110851742A (zh) | 一种基于位置和时间信息的兴趣点推荐方法及装置 | |
Zhou et al. | Commuting versus consumption: The role of core city in a metropolitan area | |
JP7260496B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN110177339B (zh) | 一种od矩阵构建方法及装置 | |
Gomez | WUP: A parser based on word usage | |
Du et al. | Network science-based urban forecast dashboard | |
Hu | Dynamic origin-destination estimation with location-based social networking data: exploring urban travel demand sensor | |
Mrazovic | Crowdsensing-driven route optimisation algorithms for smart urban mobility | |
US20220237639A1 (en) | System and method for data prediction using heat maps |
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 |