CN112000893A - 常驻区域预测方法、装置、设备及存储介质 - Google Patents

常驻区域预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112000893A
CN112000893A CN202011049739.3A CN202011049739A CN112000893A CN 112000893 A CN112000893 A CN 112000893A CN 202011049739 A CN202011049739 A CN 202011049739A CN 112000893 A CN112000893 A CN 112000893A
Authority
CN
China
Prior art keywords
resident
target user
area
relation
areas
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
Application number
CN202011049739.3A
Other languages
English (en)
Other versions
CN112000893B (zh
Inventor
路新江
朱能军
熊辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011049739.3A priority Critical patent/CN112000893B/zh
Publication of CN112000893A publication Critical patent/CN112000893A/zh
Priority to US17/173,142 priority patent/US11829447B2/en
Application granted granted Critical
Publication of CN112000893B publication Critical patent/CN112000893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Discrete Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)

Abstract

本申请公开了常驻区域预测方法、装置、设备及存储介质，涉及人工智能技术、大数据、深度学习和多任务学习。具体实现方案为：获取目标用户的常驻区域数据，常驻区域数据包含目标用户的常驻区域及对应的常驻时间；将常驻区域数据输入区域关系模型，得到目标用户的常驻区域之间的关联关系，该区域关系模型用于反映区域之间的位置关系；根据关联关系、常驻时间及到访POI数据，确定目标用户访问的区域之间的时序关系；根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域。通过本申请的方案，可以快速、准确地预测用户的常驻区域。

Description

常驻区域预测方法、装置、设备及存储介质
技术领域
本申请实施例涉及计算机领域中的人工智能技术、大数据、深度学习和多任务学习，尤其涉及一种常驻区域预测方法、装置、设备及存储介质。
背景技术
常驻区域预测，具有十分重要的现实意义和应用价值。例如，理解并推断用户的下一个可能的常驻区域，对于社会安全防控十分有益，如流行病的防控；另外，常驻区域预测对于城市规划、城市治理、公共政策的制定实施都具有重要的现实指导意义；再者，用户的常驻区域预测可以帮助商家进行更为精准的本地化广告投放和推荐。
目前，对用户的常驻区域的预测，局限于对小样本用户的问卷调查等手工方法。
发明内容
本申请提供了一种用于快速、准确预测用户的常驻区域的常驻区域预测方法、装置、设备及存储介质。
根据本申请的第一方面，提供了一种常驻区域预测方法，包括：
获取目标用户的常驻区域数据及到访兴趣点(Point of Interest，简称POI)数据，常驻区域数据包含目标用户的常驻区域及对应的常驻时间；
将常驻区域数据输入区域关系模型，得到目标用户的常驻区域之间的关联关系，该区域关系模型用于反映区域之间的位置关系；
根据关联关系、常驻时间及到访POI数据，确定目标用户访问的区域之间的时序关系；
根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域。
根据本申请的第二方面，提供了一种区域关系模型的构建方法，包括：
获取用户的常驻区域；
根据常驻区域，构建区域关系模型，该区域关系模型用于反映区域之间的位置关系。
根据本申请的第三方面，提供了一种常驻区域预测装置，包括：
获取模块，用于获取目标用户的常驻区域数据及到访POI数据，常驻区域数据包含目标用户的常驻区域及对应的常驻时间；
第一处理模块，用于将常驻区域数据输入区域关系模型，得到目标用户的常驻区域之间的关联关系，区域关系模型用于反映区域之间的位置关系；
第二处理模块，用于根据关联关系、常驻时间及到访POI数据，确定目标用户访问的区域之间的时序关系；
第三处理模块，用于根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域。
根据本申请的第四方面，提供了一种区域关系模型的构建装置，包括：
获取模块，用于获取用户的常驻区域；
处理模块，用于根据常驻区域，构建区域关系模型，区域关系模型用于反映区域之间的位置关系。
根据本申请的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面或第二方面中任一项所述的方法。
根据本申请的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面或第二方面中任一项所述的方法。
根据本申请的技术解决了通过对小样本用户的问卷调查等手工方法预测用户常驻区域存在的效率低及预测结果准确度差的问题，提高了用户常驻区域预测的准确度和效率。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是根据本申请第四实施例的示意图；
图5是根据本申请第五实施例的示意图；
图6是根据本申请第六实施例的示意图；
图7是用来实现本申请实施例的常驻区域预测和/或区域关系模型的构建的方法的电子设备的框图；
图8是可以实现本申请实施例的常驻区域预测和/或区域关系模型的构建场景图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
用户的常驻区域，是指用户在相对一段较长时间内经常活动的区域，例如，北京市海淀区。示例性地，用户的家或公司的所在区域即可以认为是用户的常驻区域。用户的常驻区域相对稳定，但也会随着时间的变化而发生改变。这种用户的常驻区域发生改变的现象，可以认为是一种用户的迁徙行为。
如前所述，对于用户常驻区域的预测，具有十分重要的现实意义和应用价值。另外，相对于去分析用户的常驻位置，例如家和公司的确切位置，关注用户的常驻区域在一定程度上可以保护用户的个人隐私。但目前对用户常驻区域的预测局限于小样本用户的问卷调查等手工方法。手工方法的效率低，且预测结果的准确度不高。
另外，随着智能终端的普及和定位技术的发展，城市数据中心积累了越来越多的基于位置的相关数据。利用这些海量数据，可以检测用户的常驻区域，并通过多源数据融合，推断用户的常驻区域的未来变化。
因此，基于上述，本申请提供一种常驻区域预测方法、装置、设备及存储介质，应用于计算机领域中的人工智能技术、大数据、深度学习和多任务学习，通过自动化处理有效提升预测效率，基于大数据分析提高预测准确度。该方法是一种数据驱动的端到端预测方法。
其中，预测用户的常驻区域，相比预测用户的位置，更能保护用户的个人隐私。
下面采用详细的实施例，来说明本申请如何预测用户的常驻区域。
实施例一
图1是根据本申请第一实施例的示意图。本申请实施例提供一种常驻区域预测方法，该方法可以由常驻区域预测装置执行，其中，常驻区域预测装置可以具体为电子设备，或者，常驻区域预测装置可以内置于电子设备中，例如常驻区域预测装置为电子设备内的芯片，等等。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理(Personal Digital Assistant，简称PDA，又可以称为“掌上电脑”)、服务器、刀片式服务器、大型计算机、和其它适合的计算机。
如图1所示，该常驻区域预测方法包括以下步骤：
S101、获取目标用户的常驻区域数据及到访POI数据，常驻区域数据包含目标用户的常驻区域及对应的常驻时间。
在实际应用中，对于常驻区域数据的获取，可以从目标用户使用的智能终端等设备获取用户的位置信息，进而可以确定该位置所处的区域。可以理解，区域相对位置的范围要大，例如，目标用户的家的位置是在海淀区这一市辖区范围内，其常驻区域即为海淀区。另外，目标用户的常驻区域并非固定不变的，例如，目标用户的工作单位所处的区域与家所处的区域不同，此时，目标用户对应的常驻区域为两个或者更多。
POI是指真实物理世界中的具有地理位置信息的实体，例如，商店、学校、银行、餐馆、加油站、医院或者超市等。目标用户在访问兴趣点时，可以从目标用户使用的智能终端等设备获取到访POI数据。
具体地，通过手机等设备的定位技术可以获取常驻区域及到访POI，进而可以根据目标用户在常驻区域的时间，确定常驻时间。
上述常驻区域数据及到访POI数据通常是由电子设备上报给服务器，由服务器进行存储的，在使用时，电子设备可以通过与服务器通信来获取这些数据。
需说明的是，上述示例是以常驻区域为市辖区进行举例说明，但本申请不以此为限制，也就是说，常驻区域还可以是比市辖区更小或更大的范围。示例性地，常驻区域可以是比市辖区更大的范围，例如，城市或省份等；或者，常驻区域可以是比市辖区更小的范围，例如，街道，等等。
另外，常驻区域数据及到访POI数据是对常驻区域信息和到访POI信息进行数值化处理，将其量化成具体的数值或向量，得到常驻区域信息对应的常驻区域数据以及到访POI信息对应的到访POI数据。
S102、将常驻区域数据输入区域关系模型，得到目标用户的常驻区域之间的关联关系。
其中，该区域关系模型用于反映区域之间的位置关系。区域关系模型是基于大量用户的迁徙行为(即用户常驻区域的变迁)构建的，该构建模型的过程在后续实施例中说明，其性能满足实际需求。本申请实施例使用性能较好的区域关系模型学习得到目标用户的常驻区域之间的关联关系，从而可使得预测结果较准确。
具体地，将目标用户的常驻区域数据输出区域关系模型，该区域关系模型的输出即反映出了目标用户的常驻区域之间的关联关系，例如，在某一时刻，目标用户从常驻区域A迁徙至常驻区域B，等等。
示例性地，区域关系模型可以具体为双通路图卷积网络(Dual GraphConvolutional Networks，简称DGCN)，又可以称为动态图卷积网络，借助DGCN，得到不同常驻区域在不同时刻的动态表征。
S103、根据关联关系、常驻时间及到访POI数据，确定目标用户访问的区域之间的时序关系。
应理解，关联关系反映的是目标用户的常驻区域之间的关系，是对目标用户的历史常驻区域的学习，且学习的是这些常驻区域在空间维度的关系，在此基础上，结合该目标用户在常驻区域的常驻时间(即时间维度)以及到访POI数据，得到目标用户访问过的区域之间的时序关系。这里，用户访问过的区域包括上述常驻区域以及到访POI。
其中，到访POI数据反映了目标用户的到访意图，从到访意图及学习到的关联关系，可以推断目标用户有无将该到访POI所在的区域作为目标常驻区域的想法。另外，到访POI数据还包含有到访POI对应的到访时间，因此，还可以进一步确定目标用户在哪一时间段常驻在目标常驻区域。上述这些信息都可以由时序关系进行反应。
S104、根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域。
其中，基本属性信息可以包括但不限于匿名化的ID、年龄、性别、职业等基本信息。
该步骤在获得目标用户访问的区域之间的时序关系的基础上，结合目标用户的基本属性信息，来预测目标用户的常驻区域，从而使得预测结果与目标用户更贴合。
由此可见，在本申请实施例中，在获取目标用户的常驻区域数据，该常驻区域数据包含目标用户的常驻区域及对应的常驻时间后，将常驻区域数据输入区域关系模型，得到目标用户的常驻区域之间的关联关系，并根据关联关系、常驻时间及到访POI数据，确定目标用户访问的区域之间的时序关系，以及根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域。相比现有技术，一方面，通过电子设备自动化执行常驻区域预测的流程，可提高用户的常驻区域的快速预测；另一方面，由于区域关系模型是基于大数据训练得到的，因此，本申请还可以有效提升用户的常驻区域的预测准确度。
在上述实施例的基础上，为更好地理解如何图1所示的各个步骤，接下来，将通过实施例二对其进行详细的描述。
实施例二
图2是根据本申请第二实施例的示意图。参考图2，该常驻区域预测方法可以包括以下步骤：
S201、获取目标用户的常驻区域数据、到访POI数据及基本属性数据。
其中，常驻区域数据与到访POI数据的相关描述如前所述，此处不再赘述；基本属性数据是对目标用户的基本属性信息进行数值化处理，将其量化成具体的数值或向量，得到基本属性信息对应的基本属性数据。
示例性地，如图2所示，通过全连接层实现该数值化处理。具体地，将获取到的原始数据(即基本属性信息、常驻区域信息以及到访POI信息)通过全连接层进行映射，分别得到基本属性信息对应的初始表征向量u、到访POI信息对应的初始表征向量c和常驻区域信息对应的初始表征向量r。
S202、将常驻区域数据输入区域关系模型，得到目标用户的常驻区域之间的关联关系。
可选地，该步骤可以包括：根据常驻区域数据，得到不同时刻的常驻区域关联关系；根据区域关系模型，得到不同常驻区域在不同时刻的关联关系；根据不同时刻的常驻区域，得到目标用户的常驻区域之间的关联关系。
可以理解，用户的迁徙行为，也即用户的常驻区域的变迁，隐含地刻画了常驻区域之间的关系。为了表征由用户迁徙所反映出来的区域之间的动态关联关系，本申请可以利用DGCN学习区域之间的动态关联关系。借助区域关系模型，得到不同常驻区域在不同时刻的动态表征；根据目标用户在不同时刻的常驻区域，得到目标用户的常驻区域之间的关联关系，即区域关系表征向量z。需说明的是，该表征是动态表征，即，对同一区域，不同时刻的区域关系表征向量是不同的。
S203、将关联关系、常驻时间及到访POI数据进行多源信息融合处理，得到融合信息。
可选地，该步骤可以包括：分别对常驻时间及到访POI数据进行池化处理，得到中间表征向量；对中间表征向量与关联关系进行向量拼接处理，得到融合信息。
一种实现中，通过多源信息融合模块，基于用户最近一段时间的到访POI数据和常驻区域数据，分别将对应的初始表征向量c和初始表征向量r进行聚合操作，得到聚合后的表征向量
Figure BDA0002709180480000071
和表征向量
Figure BDA0002709180480000072
接着，将前述的表征向量
Figure BDA0002709180480000081
和表征向量
Figure BDA0002709180480000082
与区域关系表征向量z作进一步聚合操作，得到表征向量
Figure BDA0002709180480000083
将表征向量
Figure BDA0002709180480000084
输入到一个全连接层，得到多源信息融合模块的输出表征向量x，即融合信息。其中，图2中下标表示不同时刻，例如，时刻1、时刻2、……、时刻t；上标u表示目标用户；a、b和c表示不同区域。
参考图2，由于用户通常会关联多个POI以及多个之前的常驻区域，因而需要对目标用户的多个初始表征向量ci，i取值为1,2，……，t，进行聚合操作(例如，均匀池化方法)，得到意图表征向量
Figure BDA0002709180480000085
类似的，将用户的多个初始表征向量ri进行聚合，得到区域表征向量
Figure BDA0002709180480000086
继而对目标用户的区域关系表征向量z、聚合后的意图表征向量
Figure BDA0002709180480000087
和聚合后的区域表征向量
Figure BDA00027091804800000810
进行拼接，得到多源信息融合的表征向量
Figure BDA0002709180480000088
再通过全连接层得到压缩后的表征向量
Figure BDA0002709180480000089
S204、将融合信息输入时序关系模型，确定目标用户访问的区域之间的时序关系。
其中，该时序关系模型用于反映用户迁徙行为的时序关系。示例性地，将不同时刻的表征向量
Figure BDA00027091804800000811
输入到序列信息建模模块，该序列信息建模模块包含时序关系模型。在这里，采用了门控循环单元(Gated Recurrent Unit，简称GRU)作为时序关系模型，来对用户的迁徙行为中的时序信息进行建模。经过该序列信息建模模块，输出时间依赖的隐变量h，即目标用户访问的区域之间的时序关系。其中，GRU通过门控参数可以自动调节信息流，以实现信息的自动遗忘和记忆。
其中，S203和S204是对实施例一中S103的进一步细化。
S205、根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域。
一些实施例中，该步骤可以包括：将时序关系及目标用户的基本属性信息进行聚合处理；根据聚合处理后的结果及用于常驻区域预测的任务，得到所述用户在不同区域的常驻概率；根据目标用户在不同区域的常驻概率，预测目标用户的目标常驻区域。
示例地，将初始表征向量u和由序列信息建模模块输出的特定时刻的隐变量h通过softmax函数进行拼接表征向量
Figure BDA00027091804800000813
将聚合后的表征向量
Figure BDA00027091804800000812
作为输入，用于用户常驻区域预测这个任务。
进一步地，上述将时序关系及目标用户的基本属性信息进行聚合处理，可以包括：将目标用户的基本属性信息数值化，得到基本属性信息对应的基本属性数据；将时序关系及基本属性数据进行聚合处理。
此外，常驻区域预测方法还可以包括：
S206、根据时序关系及目标用户的基本属性信息，确定目标用户在目标常驻区域的到访意图。
其中，该步骤可以进一步包括：将时序关系及目标用户的基本属性信息进行聚合处理；根据聚合处理后的结果及用于用户到访意图预测的任务，得到目标用户在目标常驻区域的到访意图概率；根据目标用户在目标常驻区域对应不同兴趣点POI类别的到访意图概率，确定目标用户在目标常驻区域的到访意图。
将表征向量
Figure BDA0002709180480000091
分别用于用户常驻区域预测和用户到访意图预测两个任务(分别表示为任务1和任务2)，由于用户的常驻区域与用户到访的POI信息密切相关，因此，通过多任务学习技术，利用两个任务之间的互相促进，可以更好的实现区域关系动态感知的常驻区域预测。而且，作为常驻区域预测的副产出，用户的到访意图也得到了预测，从而可以对常驻区域的预测提供一定的可解释性支持。
综上，本申请实施例提出的基于深度学习和多任务学习技术的数据驱动的常驻区域预测方法，可以对用户的常驻区域进行有效预测。
本申请实施例通过将多种来源的数据进行融合，实现了一种纯数据驱动的常驻区域预测方法，无需对用户的迁徙行为规律做预先假设；此外，该方案能够实现对个体用户的常驻区域预测，而且该方案只是对常驻区域的预测，一方面可以实现高准确率的预测，另一方面也保护了用户的隐私。
实施例三
上述实施例中用到了区域关系模型，因此，本申请实施例还提供一种区域关系模型的构建方法。
图3是根据本申请第三实施例的示意图。本申请实施例提供一种区域关系模型的构建方法，该方法可以由区域关系模型的构建装置执行，其中，区域关系模型的构建装置可以具体为电子设备，或者，区域关系模型的构建装置可以内置于电子设备中，例如区域关系模型的构建装置为电子设备内的芯片，等等。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、PDA、服务器、刀片式服务器、大型计算机、和其它适合的计算机。
如图3所示，该区域关系模型的构建方法包括：
S301、获取用户的常驻区域。
S302、根据常驻区域，构建区域关系模型。
其中，该区域关系模型用于反映区域之间的位置关系。
具体而言，依据用户的常驻区域，构建不同时刻的区域关系；每个时刻的区域关系都作为区域关系模型的一个输入，从而每个时刻的区域关系模型依据时间依赖关系进行关联，进而通过共享参数的方式通过端到端训练得到区域关系模型。
，可选地，根据常驻区域，构建所述区域关系模型，包括：基于DGCN对常驻区域之间的动态关联关系进行建模，生成区域关系模型。
实施例四
图4是根据本申请第四实施例的示意图。该实施例提供一种常驻区域预测装置。如图4所示，该常驻区域预测装置400包括：获取模块401、第一处理模块402、第二处理模块403和第三处理模块404。其中：
获取模块401，用于获取目标用户的常驻区域数据及到访POI数据，常驻区域数据包含目标用户的常驻区域及对应的常驻时间。
第一处理模块402，用于将常驻区域数据输入区域关系模型，得到目标用户的常驻区域之间的关联关系。其中，区域关系模型用于反映区域之间的位置关系。
第二处理模块403，用于根据关联关系、常驻时间及到访POI数据，确定目标用户访问的区域之间的时序关系。
第三处理模块404，用于根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域。
本实施例提供的常驻区域预测装置，可用于执行上述的常驻区域预测方法实施例，其实现方式和技术效果类似，本实施例此处不再赘述。
一些实施例中，第一处理模块可以具体用于：根据常驻区域及对应的常驻时间，得到不同时刻的常驻区域关联关系；根据区域关系模型，得到不同常驻区域在不同时刻的关联关系；根据不同时刻的常驻区域数据，得到目标用户的常驻区域之间的关联关系。
实施例五
图5是根据本申请第五实施例的示意图。参考图5，在图4所示结构的基础上，在常驻区域预测装置500中，第二处理模块403可以包括：
融合单元4031，用于将关联关系、常驻时间及到访POI数据进行多源信息融合处理，得到融合信息；
确定单元4032，用于将融合信息输入时序关系模型，确定目标用户访问的区域之间的时序关系。该时序关系模型用于反映用户迁徙行为的时序关系。
可选地，融合单元4031具体用于：分别对常驻时间及到访POI数据进行池化处理，得到中间表征向量；对中间表征向量与关联关系进行向量拼接处理，得到融合信息。
仍参考图5，第三处理模块404可以进一步包括：
聚合单元4041，用于将时序关系及目标用户的基本属性信息进行聚合处理；
处理单元4042，用于根据聚合处理后的结果及用于常驻区域预测的任务，得到目标用户在不同区域的常驻概率；
预测单元4043，用于根据目标用户在不同区域的常驻概率，预测目标用户的目标常驻区域。
更进一步地，聚合单元4041可以具体用于：将目标用户的基本属性信息数值化，得到基本属性信息对应的基本属性数据；将时序关系及基本属性数据进行聚合处理。
在上述实施例的基础上，一种可能的实施方式中，常驻区域预测装置500还可以包括：第四处理模块405，用于根据时序关系及目标用户的基本属性信息，确定目标用户在目标常驻区域的到访意图。
可选地，第四处理模块405可以具体用于：将时序关系及目标用户的基本属性信息进行聚合处理；根据聚合处理后的结果及用于用户到访意图预测的任务，得到目标用户在目标常驻区域的到访意图概率；根据目标用户在目标常驻区域对应不同POI类别的到访意图概率，确定目标用户在目标常驻区域的到访意图。
可选地，获取模块401具体用于：分别将目标用户的常驻区域信息和到访POI信息数值化，得到常驻区域信息对应的常驻区域数据和到访POI信息对应的到访POI数据。
实施例六
图6是根据本申请第六实施例的示意图。该实施例提供一种区域关系模型的构建装置。如图6所示，该区域关系模型的构建装置600包括：获取模块601和处理模块602。其中：
获取模块601，用于获取用户的常驻区域。
处理模块602，用于根据常驻区域，构建区域关系模型。该区域关系模型用于反映区域之间的位置关系。
本实施例提供的区域关系模型的构建装置，可用于执行上述的区域关系模型的构建方法实施例，其实现方式和技术效果类似，本实施例此处不再赘述。
一些实施例中，处理模块602可具体用于：基于DGCN，对常驻区域之间的动态关联关系进行建模，生成区域关系模型。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的常驻区域预测和/或区域关系模型的构建的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的常驻区域预测方法和/或区域关系模型的构建方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的常驻区域预测方法和/或区域关系模型的构建方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的常驻区域预测方法对应的程序指令/模块(例如，附图4所示的获取模块401、第一处理模块402、第二处理模块403和第三处理模块404)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的常驻区域预测方法和/或区域关系模型的构建方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据常驻区域预测和/或区域关系模型的构建的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至常驻区域预测和/或区域关系模型的构建的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
常驻区域预测和/或区域关系模型的构建的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与常驻区域预测和/或区域关系模型的构建的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还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传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
图8是可以实现本申请实施例的常驻区域预测的构建场景图。参考图8，该场景包括一个常驻区域预测装置、一个服务器，及多个电子设备：电脑、笔记本和PDA。其中，常驻区域预测装置可以为智能手机等电子设备。示例的，常驻区域预测装置中可以包括获取模块、第一处理模块、第二处理模块和第三处理模块，其中，第一处理模块中存储有区域关系模型。常驻区域预测装置在预测目标用户的目标常驻区域时，可以先通过获取模块从服务器获取目标用户的常驻区域数据，该常驻区域数据是由与目标用户有关的电子设备传输给服务器的，并将该常驻区域数据输入至第一处理模块中的区域关系模型，通过区域关系模型得到所述目标用户的常驻区域之间的关联关系，并将其传递给第二处理模块；之后，第二处理模块根据该关联关系及目标用户在常驻区域的常驻时间，确定不同区域之间的时序关系；最后由第三处理模块根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域。
图8所示场景中，是以常驻区域预测装置为智能手机为例进行说明，但本申请不以此为限制；且本申请不限制场景中服务器、电子设备的个数，具体以根据实际需求为准。例如，其中的服务器可以替换为服务器集群，等等。
根据本申请实施例的技术方案，获取目标用户的常驻区域数据，常驻区域数据包含目标用户的常驻区域及对应的常驻时间；将常驻区域数据输入区域关系模型，得到目标用户的常驻区域之间的关联关系，该区域关系模型用于反映区域之间的位置关系；根据关联关系、常驻时间及到访POI数据，确定目标用户访问的区域之间的时序关系；根据时序关系及目标用户的基本属性信息，预测目标用户的目标常驻区域，从而实现用户的常驻区域的快速、准确地预测。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (24)

1.一种常驻区域预测方法，包括：
获取目标用户的常驻区域数据和到访兴趣点POI数据，所述常驻区域数据包含所述目标用户的常驻区域及对应的常驻时间；
将所述常驻区域数据输入区域关系模型，得到所述目标用户的常驻区域之间的关联关系，所述区域关系模型用于反映区域之间的位置关系；
根据所述关联关系、所述常驻时间及所述到访POI数据，确定所述目标用户访问的区域之间的时序关系；
根据所述时序关系及所述目标用户的基本属性信息，预测所述目标用户的目标常驻区域。
2.根据权利要求1所述的方法，其中，所述将所述常驻区域数据输入区域关系模型，得到所述目标用户的常驻区域之间的关联关系，包括：
根据所述常驻区域及对应的常驻时间，得到不同时刻的常驻区域关联关系；
根据所述区域关系模型，得到不同常驻区域在不同时刻的关联关系；
根据不同时刻的常驻区域，得到所述目标用户的常驻区域之间的关联关系。
3.根据权利要求1所述的方法，其中，所述根据所述关联关系、所述常驻时间及所述到访POI数据，确定所述目标用户访问的区域之间的时序关系，包括：
将所述关联关系、所述常驻时间及所述到访POI数据进行多源信息融合处理，得到融合信息；
将所述融合信息输入时序关系模型，确定所述目标用户访问的区域之间的时序关系，所述时序关系模型用于反映用户迁徙行为的时序关系。
4.根据权利要求3所述的方法，其中，所述将所述关联关系、所述常驻时间及所述到访POI数据进行多源信息融合处理，得到融合信息，包括：
分别对所述常驻时间及所述到访POI数据进行池化处理，得到中间表征向量；
对所述中间表征向量与所述关联关系进行向量拼接处理，得到融合信息。
5.根据权利要求1所述的方法，其中，所述根据所述时序关系及所述目标用户的基本属性信息，预测所述目标用户的目标常驻区域，包括：
将所述时序关系及所述目标用户的基本属性信息进行聚合处理；
根据聚合处理后的结果及用于常驻区域预测的任务，得到所述目标用户在不同区域的常驻概率；
根据所述目标用户在不同区域的常驻概率，预测所述目标用户的目标常驻区域。
6.根据权利要求5所述的方法，其中，所述将所述时序关系及所述目标用户的基本属性信息进行聚合处理，包括：
将所述目标用户的基本属性信息数值化，得到所述基本属性信息对应的基本属性数据；
将所述时序关系及所述基本属性数据进行聚合处理。
7.根据权利要求1至6中任一项所述的方法，还包括：
根据所述时序关系及所述目标用户的基本属性信息，确定所述目标用户在目标常驻区域的到访意图。
8.根据权利要求7所述的方法，其中，所述根据所述时序关系及所述目标用户的基本属性信息，确定所述目标用户在目标常驻区域的到访意图，包括：
将所述时序关系及所述目标用户的基本属性信息进行聚合处理；
根据聚合处理后的结果及用于用户到访意图预测的任务，得到所述目标用户在目标常驻区域的到访意图概率；
根据所述目标用户在目标常驻区域对应不同兴趣点POI类别的到访意图概率，确定所述目标用户在目标常驻区域的到访意图。
9.根据权利要求1至6中任一项所述的方法，其中，所述获取目标用户的常驻区域数据和到访POI数据，包括：
分别将所述目标用户的常驻区域信息和到访POI信息数值化，得到所述常驻区域信息对应的常驻区域数据和所述到访POI信息对应的到访POI数据。
10.一种区域关系模型的构建方法，包括：
获取用户的常驻区域；
根据所述常驻区域，构建所述区域关系模型，所述区域关系模型用于反映区域之间的位置关系。
11.根据权利要求10所述的方法，其中，所述根据所述常驻区域，构建所述区域关系模型，包括：
基于双通路图卷积网络DGCN，对所述常驻区域之间的动态关联关系进行建模，生成所述区域关系模型。
12.一种常驻区域预测装置，包括：
获取模块，用于获取目标用户的常驻区域数据到访兴趣点POI数据，所述常驻区域数据包含所述目标用户的常驻区域及对应的常驻时间；
第一处理模块，用于将所述常驻区域数据输入区域关系模型，得到所述目标用户的常驻区域之间的关联关系，所述区域关系模型用于反映区域之间的位置关系；
第二处理模块，用于根据所述关联关系、所述常驻时间及所述到访POI数据，确定所述目标用户访问的区域之间的时序关系；
第三处理模块，用于根据所述时序关系及所述目标用户的基本属性信息，预测所述目标用户的目标常驻区域。
13.根据权利要求12所述的装置，其中，所述第一处理模块具体用于：
根据所述常驻区域及对应的常驻时间，得到不同时刻的常驻区域关联关系；
根据所述区域关系模型，得到不同常驻区域在不同时刻的关联关系；
根据不同时刻的常驻区域，得到所述目标用户的常驻区域之间的关联关系。
14.根据权利要求12所述的装置，其中，所述第二处理模块包括：
融合单元，用于将所述关联关系、所述常驻时间及所述到访POI数据进行多源信息融合处理，得到融合信息；
确定单元，用于将所述融合信息输入时序关系模型，确定所述目标用户访问的区域之间的时序关系，所述时序关系模型用于反映用户迁徙行为的时序关系。
15.根据权利要求14所述的装置，其中，所述融合单元具体用于：
分别对所述常驻时间及所述到访POI数据进行池化处理，得到中间表征向量；
对所述中间表征向量与所述关联关系进行向量拼接处理，得到融合信息。
16.根据权利要求12所述的装置，其中，所述第三处理模块包括：
聚合单元，用于将所述时序关系及所述目标用户的基本属性信息进行聚合处理；
处理单元，用于根据聚合处理后的结果及用于常驻区域预测的任务，得到所述目标用户在不同区域的常驻概率；
预测单元，用于根据所述目标用户在不同区域的常驻概率，预测所述目标用户的目标常驻区域。
17.根据权利要求16所述的装置，其中，所述聚合单元具体用于：
将所述目标用户的基本属性信息数值化，得到所述基本属性信息对应的基本属性数据；
将所述时序关系及所述基本属性数据进行聚合处理。
18.根据权利要求12至17中任一项所述的装置，还包括：
第四处理模块，用于根据所述时序关系及所述目标用户的基本属性信息，确定所述目标用户在目标常驻区域的到访意图。
19.根据权利要求18所述的装置，其中，所述第四处理模块具体用于：
将所述时序关系及所述目标用户的基本属性信息进行聚合处理；
根据聚合处理后的结果及用于用户到访意图预测的任务，得到所述目标用户在目标常驻区域的到访意图概率；
根据所述目标用户在目标常驻区域对应不同兴趣点POI类别的到访意图概率，确定所述目标用户在目标常驻区域的到访意图。
20.根据权利要求12至17中任一项所述的装置，其中，所述获取模块具体用于：
分别将所述目标用户的常驻区域信息和到访POI信息数值化，得到所述常驻区域信息对应的常驻区域数据和所述到访POI信息对应的到访POI数据。
21.一种区域关系模型的构建装置，包括：
获取模块，用于获取用户的常驻区域；
处理模块，用于根据所述常驻区域，构建所述区域关系模型，所述区域关系模型用于反映区域之间的位置关系。
22.根据权利要求21所述的装置，其中，所述处理模块具体用于：
基于双通路图卷积网络DGCN，对所述常驻区域之间的动态关联关系进行建模，生成所述区域关系模型。
23.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1至11中任一项所述的方法。
CN202011049739.3A 2020-09-29 2020-09-29 常驻区域预测方法、装置、设备及存储介质 Active CN112000893B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011049739.3A CN112000893B (zh) 2020-09-29 2020-09-29 常驻区域预测方法、装置、设备及存储介质
US17/173,142 US11829447B2 (en) 2020-09-29 2021-02-10 Resident area prediction method, apparatus, device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011049739.3A CN112000893B (zh) 2020-09-29 2020-09-29 常驻区域预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112000893A true CN112000893A (zh) 2020-11-27
CN112000893B CN112000893B (zh) 2024-04-12

Family

ID=73475009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011049739.3A Active CN112000893B (zh) 2020-09-29 2020-09-29 常驻区域预测方法、装置、设备及存储介质

Country Status (2)

Country Link
US (1) US11829447B2 (zh)
CN (1) CN112000893B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114640983A (zh) * 2020-12-15 2022-06-17 ***通信集团山东有限公司 用户识别方法及装置、服务器、存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424139A (zh) * 2022-06-21 2022-12-02 南京大学 一种融合遥感数据与位置大数据的居民地提取方法
CN117010051B (zh) * 2023-06-29 2024-05-07 深圳慧锐通智能技术股份有限公司 一种基于数字孪生的智慧社区智能化设计方法及装置
CN117036939A (zh) * 2023-08-07 2023-11-10 宁波大学 一种基于图卷积网络的多源数据协同的城市功能区识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142003A (zh) * 2010-07-30 2011-08-03 华为软件技术有限公司 兴趣点信息提供方法及装置
US8818716B1 (en) * 2013-03-15 2014-08-26 Honda Motor Co., Ltd. System and method for gesture-based point of interest search
CN106257391A (zh) * 2015-06-18 2016-12-28 苹果公司 用于导航媒体内容的设备、方法和图形用户界面
CN108133367A (zh) * 2014-05-29 2018-06-08 苹果公司 用于支付的用户接口
WO2019202785A1 (ja) * 2018-04-18 2019-10-24 株式会社Ｎｔｔドコモ 訪問先推定装置および訪問先推定方法
WO2020020358A1 (zh) * 2018-07-26 2020-01-30 杭州海康威视数字技术股份有限公司 一种确定驻留时长的方法、装置、设备及存储介质
US20200042902A1 (en) * 2018-10-25 2020-02-06 Baidu Online Network Technology (Beijing) Co., Ltd. Method for Building User Visit Inference Model, Apparatus and Storage Medium
US20200211060A1 (en) * 2018-12-26 2020-07-02 Yandex Europe Ag Method and system for determining fact of visit of user to point of interest
CN111538904A (zh) * 2020-04-27 2020-08-14 北京百度网讯科技有限公司 用于推荐兴趣点的方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11206543B2 (en) * 2019-03-05 2021-12-21 AVAST Software s.r.o. Location-based adaptive device security system and method
CN110008300B (zh) * 2019-04-11 2021-07-09 北京百度网讯科技有限公司 Poi别名的确定方法、装置、计算机设备和存储介质
US11393192B2 (en) * 2019-08-28 2022-07-19 Siemens Aktiengesellschaft Method and system for identification of landing sites for aerial vehicles
US20220028562A1 (en) * 2020-07-22 2022-01-27 Pandemic Insights, Inc. Personal and corporate pathogen-risk assessment with pandemic-bio-surveillance multi pathogen systems

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142003A (zh) * 2010-07-30 2011-08-03 华为软件技术有限公司 兴趣点信息提供方法及装置
US8818716B1 (en) * 2013-03-15 2014-08-26 Honda Motor Co., Ltd. System and method for gesture-based point of interest search
CN108133367A (zh) * 2014-05-29 2018-06-08 苹果公司 用于支付的用户接口
CN106257391A (zh) * 2015-06-18 2016-12-28 苹果公司 用于导航媒体内容的设备、方法和图形用户界面
WO2019202785A1 (ja) * 2018-04-18 2019-10-24 株式会社Ｎｔｔドコモ 訪問先推定装置および訪問先推定方法
WO2020020358A1 (zh) * 2018-07-26 2020-01-30 杭州海康威视数字技术股份有限公司 一种确定驻留时长的方法、装置、设备及存储介质
US20200042902A1 (en) * 2018-10-25 2020-02-06 Baidu Online Network Technology (Beijing) Co., Ltd. Method for Building User Visit Inference Model, Apparatus and Storage Medium
US20200211060A1 (en) * 2018-12-26 2020-07-02 Yandex Europe Ag Method and system for determining fact of visit of user to point of interest
CN111538904A (zh) * 2020-04-27 2020-08-14 北京百度网讯科技有限公司 用于推荐兴趣点的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LI QY ET AL: "Hosing Demand Esimation Based on Express Delivery Data", 《ACM TRANSACTION ON KNOWLEDGE DISCOVERY FROM DATA》, vol. 13, no. 4, 31 August 2019 (2019-08-31) *
丁文博等: "深度学习的视觉关系检测方法研究进展", 科技创新导报, no. 27, 21 September 2019 (2019-09-21) *
龙斌: "基于改进的PSO-BP组合预测模型及应用研究", 《中国知网硕士学位论文电子期刊》, 15 February 2018 (2018-02-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114640983A (zh) * 2020-12-15 2022-06-17 ***通信集团山东有限公司 用户识别方法及装置、服务器、存储介质
CN114640983B (zh) * 2020-12-15 2024-05-24 ***通信集团山东有限公司 用户识别方法及装置、服务器、存储介质

Also Published As

Publication number Publication date
US11829447B2 (en) 2023-11-28
CN112000893B (zh) 2024-04-12
US20210192209A1 (en) 2021-06-24

Similar Documents

Publication Publication Date Title
CN110298472B (zh) 预测雇员绩效度量
CN112000893B (zh) 常驻区域预测方法、装置、设备及存储介质
CN111612249B (zh) 用于预测人流量的方法、装置、设备以及存储介质
CN114357105B (zh) 地理预训练模型的预训练方法及模型微调方法
US11593384B2 (en) Parking lot free parking space predicting method, apparatus, electronic device and storage medium
JP7338106B2 (ja) 経済状態の予測方法、経済状態予測モデルの構築方法及び対応装置
CN111325382B (zh) 停车场空闲车位预测方法、装置、电子设备及存储介质
JP2022020043A (ja) 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム
CN111553279B (zh) 兴趣点的表征学习、识别方法、装置、设备及存储介质
CN113657467B (zh) 模型预训练方法、装置、电子设备和存储介质
CN112632380A (zh) 兴趣点推荐模型的训练方法和推荐兴趣点的方法
CN111986490A (zh) 路况预测方法、装置、电子设备和存储介质
CN114417192B (zh) 更新兴趣点poi状态的方法、装置、设备、介质及产品
US10824777B2 (en) Employing natural language processing to facilitate geospatial analysis
CN111047107B (zh) 公路通行时间预测方法、装置、电子设备和存储介质
CN111461306B (zh) 特征评估的方法及装置
CN113326449A (zh) 预测交通流量的方法、装置、电子设备和介质
CN111694914A (zh) 用户常驻区域确定方法及装置
WO2023077989A1 (en) Incremental machine learning for a parametric machine learning model
WO2022242334A1 (en) Computer modeling to analyze electrical usage in an electrical grid for facilitating management of electrical transmission
CN111695679B (zh) 出入量的预测方法、装置、电子设备及存储介质
CN113643066A (zh) 客流量推断模型的训练方法以及推断客流量的方法和装置
KR102565762B1 (ko) 경제 상태 모니터링 방법, 경제 상태 모니터링 모델 구축 방법 및 대응하는 장치
US20230419137A1 (en) Global context explainers for artificial intelligence (ai) systems using multivariate timeseries data
Zou et al. NUPT ST-Data Miner: An Spatio-Temporal Data Analysis and Visualization System

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