CN114064834A - 目标地点确定方法及装置、存储介质和电子设备 - Google Patents
目标地点确定方法及装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN114064834A CN114064834A CN202111355419.5A CN202111355419A CN114064834A CN 114064834 A CN114064834 A CN 114064834A CN 202111355419 A CN202111355419 A CN 202111355419A CN 114064834 A CN114064834 A CN 114064834A
- Authority
- CN
- China
- Prior art keywords
- cluster
- target location
- clustering
- clusters
- point data
- 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
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Remote Sensing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开提供了一种目标地点确定方法、目标地点确定装置、计算机可读存储介质和电子设备,涉及计算机技术领域。该目标地点确定方法包括:获取用户的轨迹点数据,并对轨迹点数据进行聚类,得到多个聚类簇;基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算聚类簇的聚集度;结合聚类簇的聚集度以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。本公开可以准确地确定出与用户相关的地点。
Description
技术领域
本公开涉及计算机技术领域,具体而言,涉及一种目标地点确定方法、目标地点确定装置、计算机可读存储介质和电子设备。
背景技术
随着终端设备和通信技术的发展,数据挖掘的能力越来越强。为了更好地提升用户工作和生活的便利性,可以基于数据挖掘的结果确定出用户所处的地点,并为用户提供与该地点匹配的服务。
可见,为用户提供合适的服务的前提是要确定出地点,然而,目前在确定地点方面,可能存在不准确、甚至有误的情况。
发明内容
本公开提供一种目标地点确定方法、目标地点确定装置、计算机可读存储介质和电子设备,进而至少在一定程度上克服确定地点不准确的问题。
根据本公开的第一方面,提供了一种目标地点确定方法,包括:获取用户的轨迹点数据,并对轨迹点数据进行聚类,得到多个聚类簇;基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算聚类簇的聚集度;结合聚类簇的聚集度以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。
根据本公开的第二方面,提供了一种目标地点确定装置,包括:聚类模型,用于获取用户的轨迹点数据,并对轨迹点数据进行聚类,得到多个聚类簇;聚集度计算模块,用于基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算聚类簇的聚集度;地点确定模块,用于结合聚类簇的聚集度以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。
根据本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的目标地点确定方法。
根据本公开的第四方面,提供了一种电子设备,包括处理器;存储器,用于存储一个或多个程序,当一个或多个程序被处理器执行时,使得处理器实现上述的目标地点确定方法。
在本公开的一些实施例所提供的技术方案中,采用聚类的手段得到与用户相关的多个用聚类簇表征的地点,再结合聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔得到各聚类簇的聚集度,进而结合聚类簇的聚集度以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。本公开方案依赖聚类簇的聚集度计算结果,使得可以合理且准确地确定出目标地点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了实施例的目标地点确定方案的示例性***架构的示意图;
图2示出了适于用来实现本公开实施例的电子设备的结构示意图;
图3示意性示出了根据本公开示例性实施方式的目标地点确定方法的流程图;
图4示出了本公开实施例的聚类结果的示意图;
图5示意性示出了本公开实施例的确定工作地点和居住地点的整个过程的流程图;
图6示意性示出了根据本公开示例性实施方式的目标地点确定装置的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了实施例的目标地点确定方案的示例性***架构的示意图。
如图1所示,***架构可以包括终端设备11和服务器12。其中,终端设备11可以是具有定位功能和通信功能的各种电子设备,包括但不限于智能手机、智能可穿戴设备、平板电脑等。服务器12可以是单个服务器,也可以是多个服务器组成的服务器集群。
终端设备11可以至少包括定位模块111和通信模块112。在本公开实施方式中,定位模块111可以用于采集用户的轨迹点数据;通信模块112可以用于获取该轨迹点数据,并将轨迹点数据上报给服务器12。
服务器12可以用于对轨迹点数据进行聚类,得到多个聚类簇,基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算聚类簇的聚集度,结合聚类簇的聚集度以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。
例如,目标地点的属性特征包括用户处于目标地点的时间特征,在这种情况下,如果要确定工作地点,则结合上班时间(可以为早上8点至下午6点),选择此时间段上报轨迹数据的聚类簇中聚集度最大的聚类簇,作为目标聚类簇,以确定出工作地点。具体的,可以将目标聚类簇的中心点确定为该用户的工作地点。
在确定出工作地点之后,在用户处于工作地点时,服务器12可以向终端设备11发送推荐的工作餐地点信息、周边交通信息等。
本公开所述的目标地点确定方法可以由服务器12实现,也就是说,服务器12可以执行本公开实施方式的目标地点确定的各个步骤,在这种情况下,下述目标地点确定装置可以配置在服务器12中。
此外,应当理解的是,除上述说明外,本公开所述的目标地点确定方法还可以由终端设备11自身执行。
具体的,首先,终端设备11中定位模块111获取到的轨迹点数据可以上报给终端设备11中的处理器,由处理器对轨迹点数据进行聚类,得到多个聚类簇;接下来,处理器可以基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算聚类簇的聚集度;然后,处理器可以结合聚类簇的聚集度以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。
在终端设备11确定出目标地点之后,可以将目标地点的信息发送给服务器12,以便服务器12基于目标地点向终端设备11推荐与目标地点相应的服务,以提高用户工作、生活的便利性。
图2示出了适于用来实现本公开示例性实施方式的电子设备的计算机***的结构示意图。本公开实施方式的服务器可以被配置为如图2的形式。需要说明的是,图2示出的电子设备的计算机***200仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本公开的电子设备至少包括处理器和存储器,存储器用于存储一个或多个程序,当一个或多个程序被处理器执行时,使得处理器可以实现本公开示例性实施方式的目标地点确定方法。
如图2所示,计算机***200包括中央处理单元(CPU)201,其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有***操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;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207;包括硬盘等的存储部分208;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209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,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210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208。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读存储介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,框图或流程图中的每个方框、以及框图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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
下面以服务器执行本公开实施方式的目标地点确定方法为例进行说明。
图3示意性示出了本公开的示例性实施方式的目标地点确定方法的流程图。参考图3,目标地点确定方法可以包括以下步骤:
S32.获取用户的轨迹点数据,并对轨迹点数据进行聚类,得到多个聚类簇。
在本公开的示例性实施方式中,轨迹点数据可以由终端设备的定位模块采集得到,该定位模块例如是配置在终端设备中的GPS(Global Positioning System,全球定位***)模块。在一些实施例中,定位模块还可以是终端设备的WiFi模块、蓝牙模块等。也就是说,本公开的轨迹点数据可以通过一种或多种射频定位方式确定出,本公开对此不做限制。
终端设备可以将采集到的轨迹点数据发送至服务器。
根据本公开的一些实施例,终端设备可以将一天中采集到的轨迹点数据发送至服务器。在这种情况下,服务器可以利用该一天的定位数据,确定出目标地点。
根据本公开的另一些实施例,终端设备可以将历史一段时间中采集到的所有轨迹点数据发送给服务器。在这种情况下,服务器可以利用这些轨迹点数据确定出目标地点。其中,历史一段时间可以预先配置出,例如,距当前一周内,一个月内等,本公开对此不做限制。
另外,步骤S32中服务器获取到的轨迹点数据可以是经过去噪处理后得到的数据。其中,去噪的过程可以由终端设备实现,或者去噪的过程可以由服务器实现。下面以服务器执行去噪处理进行说明。
首先,服务器可以获取由终端设备发送的表征用户轨迹的原始数据。也就是说,终端设备将定位模块采集的且未经过处理的原始数据发送给服务器。
接下来,服务器可以对原始数据进行去噪处理,以得到步骤S32中所述的用户的轨迹数据。
具体的,服务器可以确定原始数据中连续上报的两个表征用户轨迹的数据。一方面,服务器计算这两个表征用户轨迹的数据对应的空间距离;另一方面,服务器可以计算这两个表征用户轨迹的数据之间的上报时间间隔。
服务器利用这两个表征用户轨迹的数据对应的空间距离以及两个表征用户轨迹的数据之间的上报时间间隔,对原始数据进行去噪处理。例如,如果上述空间距离与上报时间间隔的商大于预定阈值,则说明两个表征用户轨迹的数据中至少之一存在问题。此时,可以再结合另一与之相邻上传(连续上传)的数据进行判断,以确定哪一个数据出现错误。
例如,a、b、c、d四组连续上报的数据,如果b与c对应空间距离与上报时间间隔的商大于的预定阈值,则需要结合a与b以及c与d的判断结果,来确定哪一组数据存在问题。
本公开实施方式所说的去噪方式包括但不限于删除、修正等方式,本公开对此不做限制。
服务器在获取到用户的轨迹点数据之后,可以对轨迹点数据进行聚类,得到多个聚类簇。其中,同一聚类簇中各轨迹点数据对应的空间距离在一预定距离范围内。
可以理解的是,聚类是一种无监督的分类方式,是将相似的数据对象自动归为一个类别中,聚类簇是一组数据对象的集合。
例如,服务器可以将每一轨迹点数据转换成特征向量,将相似或一致的特征向量划分到同一聚类簇中,将不一致的特征向量划分到不同的聚类簇中,可以使得划分至同一聚类簇的特征向量相似度满足预定相似度要求。其中,向量的预定相似度要求可以用一阈值进行判断,本公开对阈值的具体取值不做限制。
在本公开的一些实施例中,可以采用K均值聚类(K-means)算法来实现轨迹点数据的聚类。其中,K均值算法是一种迭代求解的聚类分析算法,其步骤包括,预先将数据分为K组,随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类簇。每分配一个样本,聚类簇的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足预定终止条件。预定终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类簇,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
应当理解的是,K均值聚类算法仅是实现本公开对轨迹点数据进行聚类的一个实例,在本公开的另一些实施例中,还可以采用其他的聚类算法,包括但不限于均值漂移聚类算法、基于密度的聚类算法等。
图4示出了本公开实施例的聚类结果。参考图4,基于获取到的用户的轨迹点数据,聚类后,至少可以得到聚类簇41和聚类簇42。
S34.基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算聚类簇的聚集度。
应当理解的是,由于网络不稳定、用户开关机等原因,连续上报的轨迹点数据之间的上报时间间隔不一致,也就是说,上报时间间隔并不是固定值。
在本公开的示例性实施方式中,服务器可以基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算聚类簇的聚集度。应当理解的是,本步骤是分别计算所有聚类簇的聚集度。
首先,服务器可以基于聚类簇中连续上报的两个轨迹点之间的上报时间间隔,计算这两个轨迹点数据的聚集度。
连续上报的两个轨迹点之间的上报时间间隔与聚集度呈正相关关系,即,连续上报的两个轨迹点之间的上报时间间隔越大,对应的聚集度就得越大。本公开实施例中,利用牛顿冷却定律中的时间衰减系数定义二者之间的关系。
y=C*eaT
其中,T是连续上报的两个轨迹点之间的上报时间间隔,y是这两个轨迹点之间的聚集度,C和a为常数。
接下来,服务器可以利用聚类簇中所有连续上报的两个轨迹点数据的聚集度,计算该聚类簇的聚集度。具体的,可以将聚类簇中所有连续上报的两个轨迹点数据的聚集度相加,并将相加的结果作为该聚类簇的聚集度。
基于上述过程,可以确定出每个聚类簇的聚集度。
S36.结合聚类簇的聚集度以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。
需要说明的是,本公开实施方式是为了确定出用户经过的各个地点中哪一个是指定的目标地点。如,哪一个地点是工作地点、哪一个地点是居住地点等。也就是说,目标地点是指定场景的地点,本公开实施方式通过对轨迹点数据的分析,可以确定出哪一个地点是目标地点。
由此,在确定目标地点过程中,服务器可以获取目标地点的属性特征。目标地点的属性特征可以包括用户所处目标地点的时间特征。以目标地点为工作地点为例,该时间特征例如为早上8点至下午6点。
在确定出聚类簇的聚集度以及目标地点的属性特征之后,可以结合这些信息,从多个聚类簇中筛选出目标聚类簇,以确定出目标地点。
首先,服务器可以按聚集度的大小对各聚类簇进行排序。具体的,可以按聚集度由大到小的顺序对聚类簇进行排序,也可以按由小到大的顺序对聚类簇进行排序。
接下来,服务器可以结合排序结果以及目标地点的属性特征,从多个聚类簇中筛选秒聚类簇,以确定出目标地点。
在目标地点的属性特征包括用户处于目标地点的时间特征的实施例中,服务器可以确定各聚类簇的上报时间,具体可以通过聚类簇中各轨迹点数据的平均上报时间来表征。
服务器可以基于各聚类簇的上报时间,从步骤S32得到的多个聚类簇中筛选出与目标地点的时间特征匹配的聚类簇,得到聚类簇子集。可以理解的是,这里匹配的含义指两个时间相同或相似,相似指的是二者误差小于一预定误差阈值。
服务器可以利用上述排序结果,从聚类簇子集中确定出聚集度最大的聚类簇作为目标聚类簇,以确定出目标地点。
具体的,可以将目标聚类簇的中心点确定为目标地点,或者将整个目标聚类簇对应的区域均作为目标地点。
另外,目标地点的属性特征还可以是通过大数据方式确定出的场景属性信息,例如,目标地点的属性特征可以包括目标地点周围均是住宅区或均是办公楼的信息。
具体的,在按聚集度的大小对各聚类簇进行排序之后,一方面,可以确定出周围均是办公楼的聚类簇中聚集度最大的聚类簇,作为第一目标聚类簇,以确定出工作地点。另一方面,可以确定出周围均是住宅区的聚类簇中聚集度最大的聚类簇,作为第二目标聚类簇,以确定出居住地点。
仍以图4所示的聚类结果为例,聚类簇41可以是第一目标聚类簇,确定出工作地点;聚类簇42可以是第二目标聚类簇,确定出居住地点。
图5示意性示出了本公开实施例的确定工作地点和居住地点的整个过程的流程图。
在步骤S502中,服务器可以获取表征用户轨迹的原始数据。
在步骤S504中,服务器可以对原始数据进行去噪处理,得到用户的轨迹点数据。
在步骤S506中,服务器可以对轨迹点数据进行聚类,得到多个聚类簇。
在步骤S508中,服务器可以计算聚类簇的聚集度。
在步骤S510中,服务器可以按聚集度对聚类簇进行排序。
在步骤S512中,服务器可以确定工作时间段,例如,服务器可以借助于大数据的手段或用户输入的方式,确定工作时间段。
在步骤S514中,服务器可以基于步骤S510的排序结果确定上报时间与工作时间段一致且聚集度最大的聚类簇,作为目标聚类簇。
在步骤S516中,服务器可以基于目标聚类簇,确定出用户的工作地点。
在步骤S518中,服务器可以确定居家时间段,例如,服务器可以借助于大数据的手段或用户输入的方式,确定居家时间段。
在步骤S520中,服务器可以基于步骤S510的排序结果确定上报时间与居家时间段一致且聚集度最大的聚类簇,作为目标聚类簇。
在步骤S522中,服务器可以基于目标聚类簇,确定出用户的居住地点。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中还提供了一种目标地点确定装置。
图6示意性示出了本公开的示例性实施方式的目标地点确定装置的方框图。参考图6,根据本公开的示例性实施方式的目标地点确定装置6可以包括聚类模块61、聚集度计算模块63和地点确定模块65。
具体的,聚类模块61可以用于获取用户的轨迹点数据,并对轨迹点数据进行聚类,得到多个聚类簇;聚集度计算模块63可以用于基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算聚类簇的聚集度;地点确定模块65可以用于结合聚类簇的聚集度以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。
根据本公开的示例性实施例,聚集度计算模块63可以被配置为执行:基于聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算两个轨迹点数据的聚集度;利用聚类簇中所有连续上报的两个轨迹点数据的聚集度,计算聚类簇的聚集度。
根据本公开的示例性实施例,聚集度计算模块63可以被配置为执行:将聚类簇中所有连续上报的两个轨迹点数据的聚集度相加,得到聚类簇的聚集度。
根据本公开的示例性实施例,聚类模块61可以被配置为执行:获取表征用户轨迹的原始数据;对原始数据进行去噪处理,以得到用户的轨迹点数据。
根据本公开的示例性实施例,聚类模块61执行去噪处理的过程可以被配置为执行:确定原始数据中连续上报的两个表征用户轨迹的数据,计算两个表征用户轨迹的数据对应的空间距离以及两个表征用户轨迹的数据之间的上报时间间隔;利用两个表征用户轨迹的数据对应的空间距离以及两个表征用户轨迹的数据之间的上报时间间隔,对原始数据进行去噪处理。
根据本公开的示例性实施例,地点确定模块65可以被配置为执行:按聚集度的大小对各聚类簇进行排序,结合排序结果以及目标地点的属性特征,从多个聚类簇中筛选目标聚类簇,以确定出目标地点。
根据本公开的示例性实施例,目标地点的属性特征包括用户处于所述目标地点的时间特征。在这种情况下,地点确定模块65可以被配置为执行:确定多个聚类簇中各聚类簇的上报时间;基于各聚类簇的上报时间,从多个聚类簇中筛选出与目标地点的时间特征匹配的聚类簇,构建聚类簇子集;利用排序结果,从聚类簇子集中确定出聚集度最大的聚类簇作为目标聚类簇,以确定出目标地点。
由于本公开实施方式的目标地点确定装置的各个功能模块与上述方法实施方式中相同,因此在此不再赘述。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种目标地点确定方法,其特征在于,包括:
获取用户的轨迹点数据,并对所述轨迹点数据进行聚类,得到多个聚类簇;
基于所述聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算所述聚类簇的聚集度;
结合所述聚类簇的聚集度以及目标地点的属性特征,从所述多个聚类簇中筛选目标聚类簇,以确定出所述目标地点。
2.根据权利要求1所述的目标地点确定方法,其特征在于,基于所述聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算所述聚类簇的聚集度,包括:
基于所述聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算所述两个轨迹点数据的聚集度;
利用所述聚类簇中所有连续上报的两个轨迹点数据的聚集度,计算所述聚类簇的聚集度。
3.根据权利要求2所述的目标地点确定方法,其特征在于,利用所述聚类簇中所有连续上报的两个轨迹点数据的聚集度,计算所述聚类簇的聚集度,包括:
将所述聚类簇中所有连续上报的两个轨迹点数据的聚集度相加,得到所述聚类簇的聚集度。
4.根据权利要求1所述的目标地点确定方法,其特征在于,获取用户的轨迹点数据包括:
获取表征用户轨迹的原始数据;
对所述原始数据进行去噪处理,以得到所述用户的轨迹点数据。
5.根据权利要求4所述的目标地点确定方法,其特征在于,对所述原始数据进行去噪处理包括:
确定原始数据中连续上报的两个表征用户轨迹的数据,计算所述两个表征用户轨迹的数据对应的空间距离以及所述两个表征用户轨迹的数据之间的上报时间间隔;
利用所述两个表征用户轨迹的数据对应的空间距离以及所述两个表征用户轨迹的数据之间的上报时间间隔,对所述原始数据进行去噪处理。
6.根据权利要求1所述的目标地点确定方法,其特征在于,结合所述聚类簇的聚集度以及目标地点的属性特征,从所述多个聚类簇中筛选目标聚类簇,以确定出所述目标地点,包括:
按聚集度的大小对各所述聚类簇进行排序,结合排序结果以及目标地点的属性特征,从所述多个聚类簇中筛选目标聚类簇,以确定出所述目标地点。
7.根据权利要求6所述的目标地点确定方法,其特征在于,所述目标地点的属性特征包括用户处于所述目标地点的时间特征;其中,结合排序结果以及目标地点的属性特征,从所述多个聚类簇中筛选目标聚类簇,以确定出所述目标地点,包括:
确定所述多个聚类簇中各所述聚类簇的上报时间;
基于各所述聚类簇的上报时间,从所述多个聚类簇中筛选出与所述目标地点的时间特征匹配的聚类簇,得到聚类簇子集;
利用所述排序结果,从所述聚类簇子集中确定出聚集度最大的聚类簇作为目标聚类簇,以确定出所述目标地点。
8.一种目标地点确定装置,其特征在于,包括:
聚类模块,用于获取用户的轨迹点数据,并对所述轨迹点数据进行聚类,得到多个聚类簇;
聚集度计算模块,用于基于所述聚类簇中连续上报的两个轨迹点数据之间的上报时间间隔,计算所述聚类簇的聚集度;
地点确定模块,用于结合所述聚类簇的聚集度以及目标地点的属性特征,从所述多个聚类簇中筛选目标聚类簇,以确定出所述目标地点。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的目标地点确定方法。
10.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述处理器执行时,使得所述处理器实现如权利要求1至7中任一项所述的目标地点确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111355419.5A CN114064834A (zh) | 2021-11-16 | 2021-11-16 | 目标地点确定方法及装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111355419.5A CN114064834A (zh) | 2021-11-16 | 2021-11-16 | 目标地点确定方法及装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114064834A true CN114064834A (zh) | 2022-02-18 |
Family
ID=80272731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111355419.5A Pending CN114064834A (zh) | 2021-11-16 | 2021-11-16 | 目标地点确定方法及装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114064834A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663691A (zh) * | 2022-05-24 | 2022-06-24 | 浙江大华技术股份有限公司 | 一种落脚点定位方法、装置及电子设备 |
CN115952364A (zh) * | 2023-03-07 | 2023-04-11 | 之江实验室 | 一种路线推荐的方法、装置、存储介质及电子设备 |
-
2021
- 2021-11-16 CN CN202111355419.5A patent/CN114064834A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663691A (zh) * | 2022-05-24 | 2022-06-24 | 浙江大华技术股份有限公司 | 一种落脚点定位方法、装置及电子设备 |
CN115952364A (zh) * | 2023-03-07 | 2023-04-11 | 之江实验室 | 一种路线推荐的方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921221B (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
CN110493333B (zh) | 一种目标位置点的确定方法、装置、设备及存储介质 | |
CN108090208A (zh) | 融合数据处理方法及装置 | |
CN110443657B (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
CN109359170B (zh) | 用于生成信息的方法和装置 | |
CN114064834A (zh) | 目标地点确定方法及装置、存储介质和电子设备 | |
CN112948614B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN112463859B (zh) | 基于大数据和业务分析的用户数据处理方法及服务器 | |
CN104391879A (zh) | 层次聚类的方法及装置 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN112052848B (zh) | 街区标注中样本数据的获取方法及装置 | |
CN115017400A (zh) | 一种应用app推荐方法及电子设备 | |
CN115203340A (zh) | 一种伴随关系确定方法、装置、设备和存储介质 | |
CN117290561B (zh) | 业务状态信息反馈方法、装置、设备和计算机可读介质 | |
CN114610825A (zh) | 关联网格集的确认方法、装置、电子设备及存储介质 | |
CN113869599A (zh) | 鱼类疫病发展预测方法、***、设备及介质 | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN112364185A (zh) | 多媒体资源的特征确定方法、装置、电子设备和存储介质 | |
CN111683280A (zh) | 视频处理方法、装置及电子设备 | |
CN114662607B (zh) | 基于人工智能的数据标注方法、装置、设备以及存储介质 | |
CN113472640B (zh) | 一种智能网关信息处理方法及*** | |
CN113657525B (zh) | 基于KMeans的跨特征联邦聚类方法及相关设备 | |
CN112235723B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
CN112598540B (zh) | 物资储备推荐方法、设备及存储介质 |
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 |