CN118200845A - 信息推送方法及设备 - Google Patents
信息推送方法及设备 Download PDFInfo
- Publication number
- CN118200845A CN118200845A CN202410381498.4A CN202410381498A CN118200845A CN 118200845 A CN118200845 A CN 118200845A CN 202410381498 A CN202410381498 A CN 202410381498A CN 118200845 A CN118200845 A CN 118200845A
- Authority
- CN
- China
- Prior art keywords
- cell
- time
- information
- prediction model
- terminal equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000006399 behavior Effects 0.000 claims description 95
- 238000012549 training Methods 0.000 claims description 74
- 238000003860 storage Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 230000002123 temporal effect Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 12
- 210000004027 cell Anatomy 0.000 description 350
- 238000004080 punching Methods 0.000 description 133
- 238000012545 processing Methods 0.000 description 25
- 238000004891 communication Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000010295 mobile communication Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007334 copolymerization reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及终端定位技术领域,具体地涉及一种信息推送方法及设备。一种信息推送方法,该方法包括:在终端设备移动过程中,按照预设时间间隔连续采集所述终端设备所接入的小区信息;在所述终端设备所接入的小区从第一小区切换为第二小区,且所述第二小区为目标小区时,根据连续采集的所述小区信息预测第一时间;在所述第一时间后推送针对于目标行为的服务信息。
Description
本申请是分案申请,原申请的申请号是202311576011.X,原申请日是2023年11月24日,原申请的全部内容通过引用结合在本申请中。
技术领域
本申请涉及终端定位技术领域,具体地涉及一种信息推送方法及设备。
背景技术
终端设备可以通过定位技术来确定自身位置。在一些应用场景中,当终端设备抵达某些位置后,相关应用或者服务可以为终端设备推送与位置相关的服务信息。
在具体实现时,终端设备可以通过所连接的小区(cell)信息(例如,小区标识(ID))来确定自身是否到达相应位置。即,当终端设备连接到目标小区后即认为终端设备到达了相应位置,可触发服务信息。但是,有些小区的覆盖范围较大,终端设备连接到目标小区后的真实位置可能与相应位置还相距较远,导致服务信息的误触发,影响用户体验。
发明内容
针对现有技术中,终端设备无法准确判断是否到达相应位置,从而出现的服务信息误触发的问题,本申请提供了一种信息推送方法及设备。
第一方面,本发明实施例提供了一种信息推送方法,该方法包括:
按照预设时间间隔连续采集终端设备所接入的小区信息;
在终端设备所接入的小区从第一小区切换为第二小区,且第二小区为目标小区时,根据连续采集的小区信息预测第一时间;
在第一时间后推送针对于目标行为的服务信息。
本发明实施例通过采集终端设备所接入的小区,确定终端设备去往目标区域的路线,并通过学习在对应路线上的出行习惯和时间规律,预测用户自进入目标小区至实际到达目标区域这段路程所需要消耗的时间,以提升到达时间预测的准确性,保证在合适的时机推送服务信息,同时兼顾了低功耗与较高的准确定,提升用户体验。
可选的,为了提高预测到达时间的准确度,需要确定出执行时间预测的时机。考虑到自接入目标小区至到达目标区域间的距离相对固定,且受其他因素干扰的可能性较小,所以将确定第二小区为目标小区时,作为执行时间预测的时机,其中,第二小区为目标小区,包括:
第二小区为第一小区列表中的小区;
第一小区列表用于记录覆盖用户成功发生目标行为时所处地理位置的小区,目标行为为与服务信息对应的用户操作指令。
可选的,为了提高预测到达时间的准确度,考虑到用户的不同出行习惯可能会对到达时间造成影响,所以为了消除该影响,需要对用户的出行信息进行综合考虑,上述方法还包括:
采集下述信息中的至少一种信息:
交通方式信息,出行日期信息,当前出行日期下的出行时间段信息;
其中,采集的信息用于与小区信息共同预测第一时间。
可选的,采用训练时间预测模型的方式来预测第一时间,同时为了学习用户通过不同路线前往目标区域的出行习惯,针对不同路线分别训练了各自的时间预测模型。在实际出行时,选择最匹配的时间预测模型执行时间预测,以提高预测到达时间的准确度,其中,根据连续采集的小区信息预测第一时间,包括:
将连续采集的小区信息输入第一时间预测模型,第一时间预测模型用于根据连续采集的小区信息预测时长,将第一时间预测模型输出的时长作为第一时间;
第一时间预测模型是第二小区所属第二小区列表对应的时间预测模型,第二小区列表记录的小区为,覆盖用户成功发生目标行为时所处地理位置间的距离小于第一距离阈值时所处地理位置的小区,若干第二小区列表组成第一小区列表。
可选的,为了保证模型预测的结果不会出现过大的误差,将连续采集的小区信息输入第一时间预测模型之前,方法还包括:
确定第一时间预测模型的模型误差小于预设的阈值。
可选的,当模型存在较大误差时,为了防止错误的预测信息降低用户体验,不再使用时间预测模型来预测到达时间,其中,还包括:
确定第一时间预测模型的模型误差不小于预设的阈值时,推送服务信息。
可选的,为了便于时间预测模型的训练,将连续采集的小区信息输入第一时间预测模型,包括:
按照采集时间的先后顺序,将连续采集的小区信息编码为路线特征序列;
将路线特征序列输入第一时间预测模型。
可选的,为了执行时间预测模型的训练,需要采集历史出行数据,并据此来学习用户在每条路线上的出行习惯,方法还包括:
获取发生目标行为的第一历史出行数据;
根据第一历史出行数据聚类得到位置簇;
根据每个位置簇对应的第一历史出行数据确定每个位置簇对应的第二小区列表并训练每个位置簇对应的时间预测模型。
可选的,第一历史出行数据,包括:
终端设备发生目标行为时所处的地理位置、发生目标行为时所连接的第三小区、发生目标行为的时间与首次连接至第三小区的第一时间间隔、发生目标行为前终端设备依次所连接过的小区信息、发生目标行为前终端设备可接入的其它小区的小区信息。
可选的,为了确定用户去往目标区域的常用路线进行区分,可以将发生目标行为且距离相近的几个地理位置视为通过同一路线所到达的,根据第一历史出行数据聚类得到位置簇,包括:
根据第一历史出行数据中发生目标行为时所处的地理位置之间的距离,将距离小于第一距离阈值的地理位置进行聚类,得到多个位置簇。
可选的,在具体执行模型训练时,根据每个位置簇对应的第一历史出行数据确定每个位置簇对应的第二小区列表并训练每个位置簇对应的时间预测模型,包括:
对每个位置簇所包含的第一历史出行数据中的第三小区、发生目标行为前终端设备依次所连接过的小区信息,以及发生目标行为前终端设备可接入的其它小区的小区信息进行编码,得到特征数据;
将每个位置簇所包含的第一历史出行数据中的第一时间间隔作为训练标签;
将包含特征数据和训练标签的第一历史出行数据划分为训练样本和评估样本;
根据训练样本和评估样本训练得到每个位置簇对应的时间预测模型。
可选的,在完成模型训练后,还可以根据后续采集的出行数据实现对时间预测模型的更新,以进一步提升时间预测模型对第一时间的预测准确度,其中,在第一时间后推送针对于目标行为的服务信息之后,方法还包括:
检测到目标行为时,将终端设备连续采集的小区信息,终端设备发生目标行为时所处的地理位置、发生目标行为时所连接的第三小区、发生目标行为的时间与首次连接至第三小区的第一时间间隔、发生目标行为前终端设备可接入的其它小区的小区信息确定为第二历史出行数据;
根据第二历史出行数据在预设的时间对已有的时间预测模型进行重新训练。
可选的,在更新训练时间预测模型时,新采集到的历史出行数据可能会包括去往目标区域的新路线,所以同时需要完成对位置簇的更新,以及各位置簇对应时间预测模型的更新,根据第二历史出行数据对已有的时间预测模型进行重新训练,包括:
根据第二历史出行数据中,终端设备发生目标行为时所处的地理位置,将与其他发生目标行为时所处地理位置间的距离小于第一距离阈值的地理位置分配至已有位置簇中;
根据第二历史出行数据中,终端设备发生目标行为时所处的其他地理位置划分新的位置簇;
更新各位置簇对应的第二小区列表,并根据第二历史出行数据更新训练各第二小区列表所对应的时间预测模型。
可选的,完成时间预测模型的更新后,需要保证模型的误差减小,准确度提升,方法还包括:
若重新训练后的时间预测模型的模型误差小于预设的阈值,则更新时间预测模型;
若重新训练后的时间预测模型的模型误差大于或等于预设的阈值,则保持时间预测模型不变。
可选的,在第一时间后推送服务信息,包括:
在终端设备的显示界面上显示服务信息。
第二方面,本发明实施例提供了一种电子设备,电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当计算机程序指令被该处理器执行时,触发电子设备执行如第一方面中任一项的方法步骤。
第三方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第一方面中任一项的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它的附图。
如图1A所示,为本发明提供的一个信息推送的实施例的示意图;
如图1B所示,为本发明提供的一个信息推送的实施例的示意图;
如图2所示,为本发明提供的一个信息推送的实施例的示意图;
如图3所示,为本发明实施例提供的一个数据采集方法的流程图;
如图4所示,为本发明实施例提供的一个信息推送方法的流程图;
如图5所示,为本发明实施例提供的一个聚类位置簇的具体实施例的示意图;
如图6所示,为本发明实施例提供的一个位置簇的示意图;
如图7所示,为本发明实施例提供的一个模型训练方法的流程图;
如图8所示,为本发明实施例提供的一个信息推送方法的流程图;
如图9所示,为本发明实施例提供的一个信息推送方法的流程图;
如图10所示,为本发明提供的一种终端设备的结构示意图;
如图11所示,为本发明提供的信息推送方法的一个具体的实施例的流程图;
如图12所示,为本发明实施例提供的一个电子设备的硬件结构示意图。
具体实施方式
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在对本申请实施例进行说明之前,首先对相关技术以及技术问题进行说明。
终端设备普遍具备定位功能,终端设备可以通过定位技术来确定自身所处的实时位置,从而确定持有终端设备的用户的位置信息,为持有终端设备的用户提供各类服务。例如,当终端设备抵达某些目标区域后,终端设备可以通过相关应用或服务推送与该目标区域相关的服务信息,供用户操作,以减少用户的操作步骤,或是在用户忘记执行相关操作时对用户进行提醒。
其中,终端设备的定位功能一般包括GPS定位、小区定位等。GPS定位精度较高,但是频繁的使用GPS定位会对终端设备造成较高的功耗。为了避免对终端设备造成过多的功耗损失,一般通过小区定位来确定终端设备的位置信息。
如图1A和图1B所示,以基于小区定位技术为用户推送打卡服务信息为例,假设以工作单位为中心,半径500米的圆形区域为打卡区域。用户持有终端设备进入打卡区域后,可以在终端设备上成功打卡。为了便于用户操作,终端设备为用户提供有打卡服务,在用户订阅打卡服务后,终端设备通过小区定位技术来确定终端设备是否进入打卡区域,并在进入打卡区域后推送打卡服务信息,提示用户可以执行打卡。具体地,终端设备内记录有目标小区,目标小区是历史打卡成功时终端设备所连接的小区,在终端设备连接至目标小区时,终端设备确定进入打卡区域,为用户推送打卡服务信息。用户可以通过打卡服务信息链接至打卡应用,并在打卡应用内执行打卡。举例来说,终端设备中记录有用户打卡成功所连接的小区1,则终端设备连接至小区1时,为用户推送打卡服务信息。
然而上述基于小区定位技术为用户推送打卡服务信息的方法,存在服务信息推送时机不合理、错误推送的问题。
经分析,由于小区覆盖范围较大,小区覆盖范围并不一定完全位于打卡区域中,终端设备通过历史打卡成功时终端设备所连接的小区来判断是否进入打卡区域的方法并不准确。以图1A中的小区1为例,假设用户在连接至小区1时打卡成功过,则终端设备内记录有小区1作为目标小区,然而由于小区1的覆盖范围较大,小区1只有部分区域位于打卡区域中,与打卡区域重合,导致终端设备在接入小区1时可能并未实际进入打卡区域。例如图1A所示,假设用户持有终端设备从位置B处进入小区1的覆盖范围,并接入小区1,此时终端设备会判定进入打卡区域并推送打卡服务信息。用户在观察到终端设备所推送的打卡服务信息后,可点击进入打卡界面,并在打卡界面内执行打卡。但由于此时终端设备所处的位置为位置B处,并未进入打卡区域,用户无法打卡成功,打卡应用会显示打卡失败的对应提示信息。而由于终端设备已经向用户推送了打卡服务信息,所以当用户实际进入打卡区域例如位置A时,终端设备不会再次在显示界面上推送打卡服务,用户仍需要自己打开打卡应用,完成打卡。
可见,由于小区覆盖范围较大,用户打卡成功时终端设备所接入小区的覆盖范围未完全位于打卡区域中,终端设备接入小区的位置(例如图1A中的位置B)与终端设备进入打卡区域的位置(例如图1A中的位置A)之间可能存在偏差,就会导致终端设备确定的进入打卡区域的时间与终端设备实际进入打卡区域的时间可能存在偏差,导致终端设备推送打卡服务信息的时机不合理(例如图1A中位置B推送而位置A不推送),出现打卡服务信息误触发的问题。
在基于小区定位技术推送其他行为的服务信息时,也会存在与推送打卡服务信息类似的服务信息推送时机不合理、错误推送的问题。
基于以上分析可知,向用户推送服务信息的时间误差,为终端设备接入目标小区的位置(例如图1A中的位置B)到进入目标区域(例如上述打卡区域)的位置(例如图1A中的位置A),这段路程所消耗的时间造成的误差。如果可以消除这段时间所带来的误差,则可以在用户实际进入目标区域时,准确的为用户推送服务信息。
考虑到用户去往目标区域的路径较为固定,在目标区域内执行目标行为的位置较为固定,而且,用户在前往目标区域的路程中,自接入小区(例如图1A中的小区1)至实际进入目标区域(例如图1A中打卡区域)这一段路程的距离较短,而在较短的路程中受到其它干扰的可能性较小,所以这段路程的用时相对固定。基于此,本发明实施例可以推测用户在这段路程中所消耗的时间,消除这段时间所带来的误差,从而解决服务信息推送时机不合理、错误推送的问题。
本申请实施例信息推送方法中,预测终端设备接入目标小区到进入目标区域的时间,在经过该时间后,推送针对于目标行为的服务信息。从而保证推送针对于目标行为的服务信息时,终端设备已经进入目标区域,用户根据推送的服务信息能够成功执行目标行为。
以目标行为是打卡为例,参见图1B所示,终端设备在位置B接入小区1时,终端设备不在界面上推送打卡服务信息,而当终端设备进入目标区域后,例如实际到达位置A时,在界面上推送打卡服务信息。由于终端设备进入打开区域,用户在位置A处根据推送的打卡服务信息可以成功在打卡应用内实现打卡。
在一个实施例中,为了提高时间预测的精确性,可以按照用户前往目标区域的不同路径,来预测不同路径上从终端设备接入目标小区到进入目标区域的时间,从而在该时间后推送针对于目标行为的服务信息。
仍以目标行为是打卡为例。参见图2,假设用户之前使用终端设备在位置B和位置D曾经打卡成功,终端设备记录覆盖位置B的小区4和覆盖位置D的小区8为目标小区。
在用户通过路径1去往打卡区域时,终端设备可以记录在路径1上依次接入的小区,例如图2中的小区1、小区2、小区3、小区4,在到达位置A时,终端设备接入的小区从小区3切换为小区4,且确定小区4是目标小区,则终端设备可以基于路径1上接入的上述小区1、小区2、小区3和小区4预测用户从位置A到进入目标区域的时间,在该时间后推送打卡服务信息。
在用户通过路径2去往打卡区域时,终端设备可以记录在路径2上依次接入的小区,例如图2中的小区5、小区6、小区7、小区8,在到达位置C时,终端设备接入的小区从小区7切换为小区8,且确定小区8是目标小区,则终端设备可以基于路径2上接入的上述小区5、小区6、小区7、小区8预测用户从位置A到进入目标区域的时间,在该时间后推送打卡服务信息。
为了实现按照用户前往目标区域的不同路径,来预测不同路径上从终端设备接入目标小区到进入目标区域的时间,在一个实施例中,终端设备可以基于成功执行目标行为的历史出行数据训练不同的时间预测模型,从而通过时间预测模型学习用户在前往目标区域时的出行规律,基于训练得到的时间预测模型对一条路径上终端设备接入目标小区到进入目标区域的时间进行预测。
本申请实施例中,终端设备可以在行程中采集出行数据,如果终端设备在本次行程中发生了目标行为,则将本次成功执行目标行为的出行数据记录为历史出行数据,用于模型训练;否则会删除本次行程中所采集的出行数据。
本申请实施例中,成功执行目标行为后所保存的历史出行数据可以包括:发生目标行为前终端设备依次所连接过的小区信息、发生目标行为前终端设备可接入的其它小区的小区信息、终端设备发生目标行为时所处的地理位置、发生目标行为时所连接的第三小区、发生目标行为的时间与首次连接至所述第三小区的第一时间间隔。
可选地,基于历史出行数据对时间预测模型的训练和更新可以周期性执行,该周期的具体取值本申请实施例不作限定,例如可以是1天、1周等。在首次执行模型训练时,使用功能订阅后一段时间内所采集的第一历史出行数据执行模型训练;而在后续模型更新时,则采集自上一次模型训练或更新至当前这段时间内,完成目标行为的出行数据作为第二历史出行数据,通过第二历史出行数据执行对时间预测模型的更新。
以下以上班打卡场景为例,示例性说明本申请实施例终端设备采集成功打卡的出行数据的实现。
如图3所示,为本发明实施例提供的数据采集方法的流程图。
参见图3,用户在终端设备上订阅打卡服务,以实现终端设备在之后到达打卡区域时可以向用户推送打卡服务,提示用户进行打卡。
用户可以通过终端设备所搭载的应用助手,或语音助手等应用程序(Application,APP),在对应APP内实现打卡服务的订阅。以应用助手为A助手为例进行说明。在A助手的界面内,包括A助手为用户所提供的各种服务,用户可以通过预设的操作指令,如点击对应的图标实现对各种服务的订阅。
在完成对打卡服务订阅后的数日内,可以不对用户到达打卡区域的到达时间进行预测,而是使用相关技术中的方法进行打卡服务信息的推送,并且,采集该时间内用户的出行数据作为第一历史出行数据,并据此学习用户的出行规律。可选地,为了更加贴切用户上班打卡的出行规律,终端设备可以仅采集用户在工作日的出行数据。例如,可以将订阅打卡服务后10个工作日内用户的出行数据作为历史出行数据用于学习用户的出行规律。
具体的,终端设备确定用户在工作日离开家时,开始对终端设备所接入小区的小区信息进行采集。在连续采集小区信息的过程中,每间隔固定时间间隔后执行一次小区信息的采集,上述间隔的固定时间的具体取值本申请实施例不做限制,例如可以是5分钟。所采集的小区信息包括终端设备所接入的小区,以及终端设备可以接入却没有接入的小区。在采集小区信息时预设的固定时间间隔例如可以为5分钟,该固定时间间隔可以由终端设备默认设置,也可以由用户在A助手提供的用户界面设置。固定时间间隔越短,采集精度相对更高。
可选地,终端设备可以根据用户对终端设备的使用规律,建立用户画像,并根据用户画像确定用户的家庭所在的地址所对应的小区,从而确定用户在每个工作日是否离开家,并在用户离开家时开始采集小区信息。
终端设备在持续采集小区信息的过程中,还要判断当次行程最终是否完成打卡,来确定本次所采集的小区信息是否有效且是否需要保存。当完成打卡时,调取并记录打卡点的地理位置,终端设备当前所接入的第三小区的小区信息,终端设备自接入该小区至当前完成打卡时刻之间的时间间隔,以及打卡成功前所采集的小区信息,即打卡成功前已经连接和可连接却未连接到的小区,作为历史出行数据。而如果当次行程并未到达打卡位置,也并未完成打卡,则不会将当次行程所采集的小区信息作为学习用户出行规律的数据,删除当次行程中所采集的小区信息。
其中,在判断是否完成打卡时,通过终端设备的页面识别来判断是否完成打卡,当终端设备识别到出现打卡成功页面时,确定此次行程到达打卡点并完成打卡。
以下对根据采集到的历史出行数据训练时间预测模型的实现过程进行说明。
在根据采集的历史出行数据训练时间预测模型时,由于用户去往目标区域的路线通常不止一条,且用户通过不同路线去往目标区域的出行规律也不尽相同,所以如果使用单一时间预测模型来预测用户在不同路线上的到达时间很可能会产生误差。为解决上述问题,本发明实施例在训练时间预测模型时,确定出若干条用户去往目标区域的不同路线,并针对用户去往目标区域的不同路线进行区分学习,以得到若干不同的时间预测模型,在实际预测时选择对应路线的模型进行预测,以提升模型预测的准确程度。
对应上述的实施例,如图4所示,为本发明实施例提供的一个信息推送方法的流程图,该方法的具体步骤包括:
S401,对历史出行数据进行聚类得到多个位置簇。
具体的,在完成功能订阅后,需要采集一段时间的第一历史出行数据,并基于第一历史出行数据完成时间预测模型的训练。在完成时间预测模型训练后,至下次执行时间预测模型更新前,需要采集第二历史出行数据,并基于第二历史出行数据执行时间预测模型的更新。
历史出行数据中包括发生目标行为时终端设备所处的地理位置。终端设备在执行目标行为后,会通过如GPS、北斗等执行精准定位,以确定终端设备发生目标行为时的位置坐标。在一个具体的实施例中,终端设备在打卡区域完成打卡时,会获取完成打卡点的具***置坐标。
为了对用户前往目标区域的路线进行区分,可以根据发生目标行为时终端设备所处的地理位置之间的距离进行聚类。在聚类时,通常应用各目标地点的经纬度坐标执行DBSCAN聚类,将间距小于第一距离阈值的打卡点聚类为一个位置簇。一般的,在聚类时预设的采样范围为5米,最小采样数量为3,即在半径5米范围内发生目标行为的数量大于或等于三次时,将这至少三个位置信息聚类为一个位置簇。
虽然不同的目标位置可以看做用户在前往目标区域时选择了不同路线,需要训练不同的时间预测模型,但是由于用户每次经过同一路线并发生目标行为的位置不可能完全相同,所以较为近似的几个地理位置可以视为用户通过同一路线在同一目标位置发生了目标行为,只是存在些许路程上的误差,而并不会造成实际影响,所以可以通过聚簇将几个相近的地理位置视为同一个目标位置,可以共同训练并使用一个时间预测模型。
在完成聚类后,将一个位置簇中所有发生目标行为的位置信息所接入的小区,以及发生目标行为时可连接却没有接入的小区,确定该位置簇所对应的小区集合,并记录在该位置簇对应的第二小区列表中。如果某个小区同时属于两个或以上的位置簇,则将这个小区从出现次数少的位置簇中删除,保留在出现次数最多的位置簇中。全部位置簇的第二小区集合共同组成为第一小区列表,预存在终端设备中。第一小区列表用于确定用户是否进入目标小区,第二小区列表用于确定对应的位置簇与对应的时间预测模型。
如图5所示,为本发明实施例提供的一个聚类位置簇的具体实施例的示意图,仍以上班打卡场景为例进行说明。
第一历史出行数据中包括终端设备在目标区域内发生目标行为的位置信息,即终端设备在打卡区域进行打卡的具***置。参见图5,终端设备共在打卡区域完成过7次打卡,每次完成打卡时终端设备会采集当次打卡点的位置信息,记录为打卡点。根据7次打卡点的位置信息执行聚簇,共聚类得到两个位置簇,位置簇1和位置簇2。其中,位置簇1中包含3个打卡点,位置簇2中包含四个打卡点。位置簇1中的3个打卡点可视为一个目标位置,位置簇2中的4个打卡点可视为一个目标位置。
在通过后续步骤训练时间预测模型时,需要分别针对位置簇1和位置簇2训练两个时间预测模型。两个时间预测模型的训练方法相同。
如图6所示,为本发明实施例提供的一个位置簇的示意图。位置簇为如图5所示的位置簇1。
位置簇1中包含经过聚类得到的打卡点1、打卡点2和打卡点3。将终端设备在打卡点1、打卡点2和打卡点3执行打卡时所接入的小区,以及终端设备处于打卡点1、打卡点2和打卡点时可以连接却并未接入的小区,作为该位置簇1的第二目标小区列表。
参见图6,打卡点1位于小区1的覆盖范围内,且终端设备在打卡时接入小区1,所以将小区1配置在位置簇1的小区列表中;打卡点2位于小区2的覆盖范围内,且终端设备在打卡时接入小区2,所以将小区2配置在位置簇1的小区列表中;打卡点3同时位于小区2和小区3的覆盖范围内,虽然终端设备在打卡时接入小区2,但考虑到在日后终端设备再次到达打卡点3时可能会接入小区3,所以将小区2和小区3配置在位置簇1的第二小区列表中。故位置簇1所对应的第二小区列表包括小区1、小区2和小区3。
对聚类所得到各位置簇的目标小区列表进行统计,得到打卡区域整体所对应的目标小区列表。例如如图5所示的位置簇2所对应的第二小区列表为小区4、小区5、小区6和小区7,则打卡区域所对应的第一小区列表为小区1、小区2、小区3、小区4、小区5、小区6、小区7。
而在通过第二历史出行数据对位置簇更新时,确定出第二历史出行数据中发生目标行为的位置信息,如果位置信息与现有位置簇中发生目标行为所处的地理位置间的距离小于第一距离阈值,则直接将其划分至该位置簇中;如果位置信息与属于任何一个现有的位置簇,则根据其生成新的位置簇,以实现对现有位置簇的更新。完成位置簇更新后,对应更新个位置簇对应的第二小区列表,以及第一小区列表。
S402,通过历史出行数据训练各位置簇所对应的时间预测模型。
具体的,根据历史出行数据中发生目标行为时所处的地理位置,将各历史出行数据划分到对应的位置簇中。根据每个位置簇所划分历史出行数据,训练每个位置簇所对应的时间预测模型。各时间预测模型的训练方式相同,均为从历史出行数据中确定特征数据、确定训练标签,并基于特征数据和训练标签所组成的样本数据执行模型训练。其中,所采集的历史出行数据中除了终端设备发生目标行为时的所处的地理位置外,还包括发生目标行为时所连接的第一小区、发生目标行为的时间与首次连接至第一小区的第一时间间隔、发生目标行为前的第一时间内终端设备依次所连接过的小区信息、发生目标行为前的第一时间内终端设备可接入的其它小区的小区信息。
在确定特征数据时,对当前位置簇所包含的历史出行数据中的第一小区、发生目标行为前的第一时间内终端设备依次所连接过的小区信息,以及发生目标行为前第一时间内终端设备可接入的其它小区的小区信息进行编码,得到特征数据。即,对终端设备的路线进行编码得到特征数据。
其中,在进行编码时,需要根据采集各小区信息的时间顺序,确定终端设备接入各小区的小区序列,即确定具体路线。由于终端设备在大多情况下可能被多个小区覆盖,而下次处于同样位置时可能会连接到其它小区,例如终端设备所在的位置A处同时被小区1和小区2所覆盖,终端设备本次行程中连接至小区1,而下次经过位置A时可能会连接至小区2。所以,为了确定改路线的全部表示方法,在确定小区序列时,会对终端设备所接入的小区以及可接入却并未接入的小区进行排列组合,并进行编码。
其中,由于在路线上不同路段的重要程度不同,例如用户刚刚从家出门时由于距离目标区域较远,剩余时间较长,即使学习此路段的出行规律也无法对后续的时间进行准确预测,所以为了减轻终端设备的存储压力和计算压力,可以将适当删除用户刚刚出门时所采集的小区信息,只保留最近第一时间内所采集的小区信息。在一个具体的实施例中,第一时间可以设定为30分钟,即规定保留过去30分钟,每间隔5分钟所采集一次的小区信息。
在确定训练标签时,当前位置所包含的历史出行数据中的第一时间间隔作为训练标签,即将发生目标行为的时间与首次连接至第一小区时间间隔作为训练标签。
将特征数据与对应的训练标签共同组成为样本数据,并将样本数据划分为训练样本和评估样本,通过训练样本进行模型训练,并通过评估样本进行模型的误差估计和更新。在时间预测模型达到一定准确度后,方可应用时间预测模型执行时间预测。
在训练模型时,时间预测模型可以回归时间点,也可以回归时间区间。模型类型可以为简单统计模型、机器学习模型,或深度学习模型。简单统计模型适用于样本量较少及只允许较低计算复杂度的情况;机器学习模型适用于样本量适中及可允许适中计算复杂度的情况;深度学习模型适用于样本量较高及可允许较大计算复杂度的情况。
其中,通过第一历史出行数据执行的模型训练,和通过第二历史出行数据执行的模型更新方法相同。在执行模型训练时,需要保证模型的误差小于一定阈值,才可视为模型训练完成。而在执行模型更新时,需要保证模型的误差小于预设的阈值,才会保留更新后的模型,否则仍保持模型不变。为模型更新所设定的误差阈值应低于为模型训练所设定的误差阈值。可选的,也可以通过误差是否减小来确定是否保留更新后的模型。
本发明实施例通过对目标区域中发生目标行为的位置进行分类,训练各自对应的时间预测模型,分别对不同路线上最后一段距离的用时进行预测,以提升预测第一时间的准确性。
以下仍以目标行为是打卡为例,对模型训练进行示例性说明。
如图7所示,为本发明实施例提供的一个模型训练方法的流程图。对应终端设备根据历史出行数据学习用户出行规律,并训练时间预测模型的方法。
参见图7,终端设备设置每日触发对时间预测模型的训练或更新。其中,在未完成模型训练时,通过第一历史出行数据执行对时间预测模型的训练;在完成时间预测模型的训练后通过第二历史出行数据执行对时间预测模型的更新。终端设备可以在预设时间例如深夜3点,或终端设备充电灭屏的空闲时段触发时间预测模型的训练或更新。
触发时间预测模型的训练或更新后,基于所采集到历史出行数据中打卡点的地理位置,进行聚类,得到多个位置簇。上述聚类的方法例如可以是基于密度的聚类算法(DBSCAN)。将历史出行数据根据打卡时地理位置所接入的小区信息,分配到对应的位置簇中,执行每个位置簇所对应时间预测模型的训练。其中,针对每个时间预测模型的训练方式均相同,不同位置簇所对应的时间预测模型用于学习用户到达不同打卡点的出行规律。
在具体执行时间预测模型训练时,对历史出行数据进行特征处理,即对历史出行数据中所记录的打卡时所连接的小区信息,以及打卡前30分钟内所采集的小区信进行特征编码,作为样本数据的特征数据。并执行标签处理,即终端设备自接入该小区至完成打卡时刻之间的时间间隔作为样本数据的训练标签。将样本数据分为训练样本和测试样本,例如可以分为80%的训练样本和20%的测试样本,通过训练样本训练时间预测模型。并通过测试样本评估评估时间预测模型的误差,当时间预测模型的误差没有减小时,保持时间预测模型不变;当时间预测模型的误差减小时,更新时间预测模型,直至时间预测模型的误差达到要求。
以下对根据完成训练后的时间预测模型执行时间预测,并推送服务信息的方法进行说明,
如图8所示,为本发明实施例提供的一个信息推送方法的流程图,该方法用于对到达目标区域的时间进行预测,且可在包括上班打卡场景在内的各类场景下应用,该方法的具体步骤包括:
S801,按照预设时间间隔连续采集终端设备所接入的小区信息。
具体的,终端设备每次采集小区的小区信息,包括终端设备在采集小区信息时所接入小区的小区信息。
其中,通过终端设备所接入的小区是否发生变化来确定终端设备的位置发生移动。终端设备通过用户的使用记录确定出用户画像,并根据用户画像来确定用户的住址所对应的小区,当终端设备所连接的小区与用户住址所对应的小区发生变化时,确定终端设备的位置发生了移动,开始采集小区信息。
S802,在终端设备所接入的小区从第一小区切换为第二小区,且第二小区为目标小区时,根据连续采集的小区信息预测第一时间。
具体的,终端设备内预存有第一小区列表,第一小区列表内记录有若干目标小区的小区信息,用于确定终端设备所接入的小区是否为目标小区。
终端设备在每次采集小区信息时,确定所接入的小区与上一次采集小区信息时相比是否发生了变化,当终端设备所接入的小区从第一小区变化为第二小区时,确定第二小区是否在预设的第一小区列表中。当第二小区为第一小区列表中的小区时,确定第二小区为目标小区。其中,第一小区列表由各位置簇的第二小区列表所共同组成。
将确定终端设备当前所连接的小区为目标小区的时候作为预测时机,根据连续采集的小区信息来预测终端设备到达目标区域的第一时间。
其中,根据连续采集的小区信息来预测终端设备到达目标区域的第一时间时,可以通过第二小区列表确定出与当前连接目标小区对应的第一时间预测模型,并将连续采集的小区信息输入第一时间预测模型,以预测终端设备到达目标区域的第一时间。
可选的,将连续采集的小区信息输入第一时间预测模型时,需要对所采集的小区信息进行特征编码。具体的,根据终端设备采集小区信息的先后顺序,将连续采集的终端设备所接入的小区编码为路线特征序列,并将路线特征序列输入第一时间预测模型执行时间预测。
编码方式包括但不限于整数编码、独热编码、词向量编码、经纬度近似向量编码、序列特征库编码等。
在一个具体的实施例中,终端设备在20分钟前、15分钟前、10分钟前、5分钟前,以及当前所连接的小区分别为小区1、小区2、小区3、小区4、小区5,则可以编码路线特征序列为0102030405。每更新采集一次小区信息后,可对路线特征序列进行更新。例如,在更新采集小区信息时,确定终端设备在连接小区5之后,又接入到小区6,则将路线特征序列更新为010203040506。
S803,在第一时间后推送针对于目标行为的服务信息。
具体的,终端设备在经过第一时间后确定到达目标区域,触发与目标区域对应的服务信息供用户操作。例如当目标区域为打卡点时,经过第一时间后确定用户进入打卡点,向用户推送打卡信息,供用户执行打卡。
在显示界面显示服务信息后的预设时长内,检测用户是否会根据推送的服务信息执行对应的目标行为。当检测到对应的目标行为时,将本次行程中所采集的数据作为历史出行数据,用于在后续执行时间预测模型的更新。
本发明实施例通过采集终端设备所接入的小区,确定终端设备去往目标区域的路线,并通过学习在对应路线上的出行习惯和时间规律,预测用户在进入目标小区到最终到达目标区域所需要消耗的时间,以提升到达时间预测的准确性,保证在合适的实际推送服务信息,同时兼顾了低功耗与较高的准确性,提升用户体验。
可选的,在一些实施例中,为了提高时间预测的准确度,在执行S802根据连续采集的小区信息预测第一时间时,还会考虑出行路上的如出行方式等其它特征,以提升预测到达时间的准确度。所以在执行S801按照预设时间间隔连续采集终端设备所接入的小区信息时,还需要采集其它相关的出行信息。
具体的,终端设备在采集小区信息时,还会采集本次出行的出行信息。出行信息包括但不限于交通方式信息、出行日期信息以及当前出行日期下的出行时间段信息。其中,出行时间信息和出行日期信息可以由终端设备直接调取***信息来获取。交通方式信息包括本次出行为步行、骑行、开车、乘坐公交、乘坐地铁等,可以由终端设备通过加速度传感器、陀螺仪传感器等传感器数据识别。可选的,交通方式信息还可以在具备其它APP的数据权限时,通过其它APP获得。例如,当终端设备通过共享单车APP扫码解锁共享单车后,确定本次出行的交通方式为骑行;当终端设备通过地铁APP扫码进入地铁站后,确定本次出行的交通方式为乘坐地铁。
在一个具体的实施例中,用户在周一早上9点选择步行的出行方式去往目标区域,且在去往目标区域的路上终端设备依次连接至小区1、小区2、小区3、小区4、小区5,对其进行编码得到路线特征序列为0109010102030405。
可选的,在一些实施例中,在执行S802根据连续采集的小区信息预测第一时间之前,还需要验证第一时间预测模型的误差,以确定第一时间预测模型是否有效。只有在第一时间预测模型有效时,才会使用第一时间预测模型预测终端设备到达目标区域的第一时间。
具体的,确定第一时间预测模型的模型误差,当第一时间预测模型的模型误差小于预设的阈值时,确定第一时间预测模型有效,将编码后的路线特征序列输入第一时间预测模型执行时间预测;当第一时间预测模型的误差大于或等于预设的阈值时,确定第一时间预测模型失效,即使用第一时间预测模型所预测的第一时间会存在较大误差,不再通过第一时间预测模型预测,将当前时刻确定终端设备到达目标区域的第一时间,立即向用户推送服务信息。
其中,在评估模型误差时,可以通过第一时间预测模型的平均绝对误差MAE,或是均方根误差RMSE执行评估。
可选的,在执行对终端设备所接入的小区进行编码时,可以通过多种方法执行特征编码。具体的,整数编码为每个小区信息分配一个单独的整数ID,优点是处理简单,缺点是将小区信息视为定距型数据有较大误差;独热编码优点是处理简单,缺点是编码后向量过于稀疏,导致计算和存储的效率都不高,且没有利用小区信息之间的距离信息;词向量编码使用历史小区信息的序列信息,基于连续词袋模型或跳字模型(Skip-gram)的训练模式得到每个小区信息的低维词向量,优点是能有效度量小区之间距离且维度较低,缺点是处理较为复杂;经纬度近似向量编码使用运营商公共数据,将每个小区信息映射到基站经纬度,将该经纬度作为小区信息的向量,优点是能有效度量小区信息之间距离且维度非常低,缺点是需要使用运营商公共数据;序列特征库编码基于打卡小区信息序列进行聚类形成特征库,相似度度量采用动态时间规整(Dynamic Time Warping,DTW)方式,确保用户同一路线但不同长度、不同节奏的小区信息序列能聚类到同一个簇,将每路线特征序列归属到各个簇中,再对簇进行独热编码等简单编码,优点是能将较长的路线特征序列压缩为特征库编码,缺点是难以编码未出现过的小区信息。
以下结合一个具体的实施例说明本申请实施例信息推送方法的实现。
如图9所示,为本发明实施例提供的一个信息推送方法的流程图。对应终端设备执行时间预测并推送服务信息的过程。
参见图9,终端设备用户在工作日离开家,开始对终端设备所接入小区的小区信息进行采集。在连续采集小区信息的过程中,每间隔5分钟执行一次小区信息的采集。在采集小区信息的过程中确定终端设备所连接的小区是否发生变化,当终端设备所连接的小区发生变化时,确定终端设备新接入的小区是否为目标小区。
当终端设备新接入的小区为目标小区时,确定目标小区所从属的第二小区列表,并将该第二小区列表所对应的时间预测模型确定为实际执行预测的第一时间预测模型。确定第一时间预测模型的误差是否小于预设的阈值,当小于预设的阈值时,对采集到的小区信息进行编码,并将编码结果输入第一时间预测模型,预测终端设备到达对应打卡点的时间。在经过所预测的时间后由A助手在终端设备的主界面向用户推送打卡服务,供用户执行打卡。当第一时间预测模型的误差大于或等于预设的阈值时,确定模型不可用,立即通过A助手向用户推送打卡服务,供用户执行打卡。
其中,打卡服务中包括第三方打卡应用的图标作为链接,用户可以通过点击打卡应用的图标快速进入打卡应用的打卡界面,在打卡应用内完成打卡等预设操作指令。
如图10所示,为本发明提供的一种终端设备的结构示意图。
参见图10,终端设备内包括应用层和应用框架层。应用层内包括A助手,应用框架层内包括处理模块、感知模块、数据中台和学习中台。
A助手一般为终端设备内搭载的APP,用于执行服务信息的推送。
感知模块具体包括地理围栏感知模块、数据采集感知模块、页面感知模块,用于感知并获取各类数据,将获取到的数据发送至数据中台进行处理。具体的,地理围栏感知模块用于确定终端设备所连接的小区,数据采集模块用于连续采集小区信息,页面感知模块用于对终端设备的界面进行识别。
处理模块用于指示学习中台根据数据中台中的数据训练时间预测模型,并根据时间预测模型预测第一时间。
如图11所示,为本发明提供的信息推送方法的一个具体的实施例的流程图。具体为终端设备如图11所示的各功能组件的交互时序图。
参见图11,用户在对应的页面订阅打卡服务后,页面感知模块会对订阅成功的界面进行识别,并将订阅成功的结果发送给处理模块,处理模块会在后续到达打卡点时向用户推送打卡信息,并会在打卡成功时保存所采集到的小区信息,作为历史出行数据。并订阅离家围栏,以感知终端设备所接入的小区是否发生变化。在订阅离家围栏后,地理围栏模块感知接入的小区与住址应该接入的小区发生变化,从而确定持有终端设备的用户离开家,通过数据采集感知模块每间隔5分钟采集所接入的小区信息,并将所采集到的数据保存至数据中台中。
用户订阅打卡围栏,处理模块会在到达目标区域所连接的目标小区时触发执行时间预测。地理围栏模块执行定位,确定到达打卡点,即到达目标小区,根据当前所接入的目标小区确定出对应的位置簇,并从学习中台中确定出该位置簇的第一时间预测模型。学习中台确定第一时间预测模型的模型误差,以确定第一时间预测模型是否有效。当模型失效时,立即通过推送模块向用户推送打卡提醒。当模型生效时,根据所采集的小区信息使用第一时间预测模型预测打卡时间,并在经过预测的打卡时间后通过推送模块向用户推送打卡提醒。
用户通过对应的界面成功打卡后,页面感知模块识别对应的页面,并通过数据采集模块采集打卡成功时终端设备所连接的小区信息,打卡成功时终端设备的经纬度坐标,并计算终端设备自连接至目标小区至完成打卡所用的时间间隔。将采集到的数据存储至数据中台中,并进行数据二分割,分为训练样本和评估样本。
学习中台对时间预测模型进行训练和更新。通过经纬度坐标对打卡点进行聚簇,得到若干位置簇。将采集到的历史出行数据划分至对应的位置簇中,进行各时间预测模型的训练和更新。
上述实施例可以推广至其它场景,打卡区域可以推广为用户想要到达的任何目标区域,在打卡区域内执行的打卡行为可以为用户在目标区域内所执行的与目标区域相关的任何目标行为,推送的打卡服务可以为与目标行为对应的服务信息。
在一个具体的实施例中,用户持有终端设备前往地铁站乘车时,可应用上述信息推送方法。目标区域可以为用户经常乘车的地铁站,与目标区域相对应的目标行为则为出示地铁乘车码,终端设备在到达地铁站闸机时推送地铁APP,以帮助用户快速出示地铁乘车码。
具体的,当用户通过A助手界面订阅乘车码服务后,终端设备可以通过过往搭乘地铁时所采集的地理位置,确定用户经常去乘车的地铁站,将该地铁站或该站内的闸机作为目标地点。当用户离开家时,采集用户出行路程中所接入的小区信息,以及可接入却并未接入的小区信息,并在用户通过终端设备打开地铁APP,且调取地铁乘车码时,确定用户发生了目标行为,采集终端设备此时的地理位置,此时所连接的第一小区,首次连接至第一小区与调取地铁乘车码间的第一时间间隔。将所采集到的数据作为历史用于时间预测模型的训练。
在完成模型训练后,当用户离开家时,通过采集终端设备所接入的小区信息,确定用户的出行路线,并基于时间预测模型预测用户从进入目标小区,至到达地铁闸机的第一时间。当到达第一时间时,在终端设备的显示界面上显示地铁服务,用户可以通过点击地铁服务链接进入地铁APP的乘车码界面,实现乘车码的快速出示。
在另一个具体的实施例中,用户持有终端设备前往快递驿站取快递时,可应用上述信息推送方法。目标区域可以为快递驿站。与目标区域相对应的目标行为则为出示快递取件码,终端设备在到达快递驿站时推送短信APP,以帮助用户快速查找快递取件码。
具体的,当用户通过A助手界面订阅快递取件后,终端设备可以通过用户在过往区间时所采集的地理位置,确定用户经常去的快递驿站,将该快递驿站作为目标地点。当用户离开家时,采集用户出行路程中所接入的小区信息,以及可接入却并未接入的小区信息,并在用户通过终端设备打开短信APP,且调取快递取件码时,确定用户发生了目标行为,采集终端设备此时的地理位置,此时所连接的第一小区,首次连接至第一小区与调取快递取件码间的第一时间间隔。将所采集到的数据作为历史用于时间预测模型的训练。
在完成模型训练后,当用户离开家时,通过采集终端设备所接入的小区信息,确定用户的出行路线,并基于时间预测模型预测用户从进入目标小区,至到快递驿站的第一时间。当到达第一时间时,在终端设备的显示界面上显示快递取件服务,用户可以通过点击快递取件服务链接进入短信APP的取件码界面,实现取件码的快速查询。
如图12所示为本发明实施例提供的一个电子设备的硬件结构示意图,电子设备可以实现为本申请实施例所提供的终端设备。如图12所示,电子设备1200可以包括处理器1201,内部存储器1202,天线1,天线2,移动通信模块1203,无线通信模块1204,显示屏1205等。
可以理解的是,本申请实施例示意的结构并不构成对电子设备1200的具体限定。在本申请另一些实施例中,电子设备1200可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。例如在计算机设备中,可以没有天线、移动通信模块和无线通信模块。图示的部件可以以硬件,软件或软件和硬件的组合实现。
电子设备1200的处理器1201可以是片上装置SOC,该处理器中可以包括中央处理器(Central Processing Unit,CPU),还可以进一步包括其他类型的处理器。例如,处理器1201可以包括应用处理器(application processor,AP)和/或神经网络处理器(neural-network processing unit,NPU)等。
处理器1201可以包括一个或多个处理单元。其中,不同的处理单元可以是独立的部件,也可以集成在一个或多个处理器中。在一些实施例中,电子设备1200也可以包括一个或多个处理器1201。其中,控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现电子设备的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
电子设备1200的内部存储器1202可以用于存储一个或多个计算机程序,该一个或多个计算机程序包括指令。处理器1201可以通过运行存储在内部存储器1202的上述指令,从而使得电子设备1200执行本申请一些实施例中所提供的方法,以及各种应用以及数据处理等。内部存储器1202可以包括代码存储区和数据存储区。其中,代码存储区可存储操作***。数据存储区可存储电子设备1200使用过程中所创建的数据等。此外,内部存储器1202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如一个或多个磁盘存储部件,闪存部件,通用闪存存储器(universal flash storage,UFS)等。
内部存储器1202可以是只读存储器(read-only memory,ROM)、可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器(random access memory,RAM)或可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备,或者还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何计算机可读介质。
处理器1201和内部存储器1202可以合成一个处理装置,更常见的是彼此独立的部件,处理器1201用于执行内部存储器1202中存储的程序代码来实现本申请实施例所述方法。具体实现时,内部存储器1202也可以集成在处理器中,或者,独立于处理器。
电子设备1200的无线通信功能可以通过天线1,天线2,移动通信模块1203,无线通信模块1204,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。电子设备1200中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
移动通信模块1203可以提供应用在电子设备1200上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块1203可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,LNA)等。移动通信模块1203可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块1203还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块1203的至少部分功能模块可以被设置于处理器1201中。
调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过显示屏1205显示图像或视频。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理器1201,与移动通信模块1203或其他功能模块设置在同一个器件中。
无线通信模块1204可以提供应用在电子设备1200上的包括无线局域网(wirelesslocal area networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星***(global navigation satellite system,GNSS),调频(frequency modulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。无线通信模块1204可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块1204经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器1201。无线通信模块1204还可以从处理器1201接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。本申请实施例中锚点设备与子设备之间的通信连接即可以为由无线通信模块1204提供的Wi-Fi网络。
在一些实施例中,电子设备1200的天线1和移动通信模块1203耦合,天线2和无线通信模块1204耦合,使得电子设备1200可以通过无线通信技术与网络以及其他设备通信。
电子设备1200可以通过显示屏1205、触摸传感器以及处理器110等实现触控输入。例如,触摸传感器与显示屏1205集成为触控屏幕,用户在触控屏幕上的点击操作被触摸传感器采集为触控信号,触控信号经传感器模块180收集并转换后传输到处理器110,处理器110通过对触控信号的识别解析到用户的触控操作行为。
进一步的,本申请实施例阐明的设备、装置、模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。
本领域内的技术人员应明白,本申请实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
在本申请所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
具体的,本申请一实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行本申请实施例提供的方法。
本申请一实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,当其在计算机上运行时,使得计算机执行本申请实施例提供的方法。
本申请中的实施例描述是参照根据本申请实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本申请实施例中,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,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以意识到,本申请实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本申请的具体实施方式,任何熟悉本技术领域的技术人员在本申请公开的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (18)
1.一种信息推送方法,其特征在于,应用于终端设备,所述方法包括:
按照预设时间间隔连续采集终端设备所接入的小区信息;
在所述终端设备所接入的小区从第一小区切换为第二小区,且所述第二小区为目标小区时,将连续采集的所述小区信息输入第一时间预测模型,将所述第一时间预测模型输出的时长作为第一时间;所述第一时间预测模型用于根据连续采集的所述小区信息预测时长;所述第一时间预测模型是所述第二小区所属第二小区列表对应的时间预测模型,所述第二小区列表包括覆盖第一位置簇中地理位置的小区,所述第一位置簇是所述第二小区所属第二小区列表对应的位置簇,每个所述位置簇包括用户成功发生目标行为时所处地理位置中相互间距离小于第一距离阈值的地理位置;
在所述第一时间后显示针对于目标行为的服务信息。
2.根据权利要求1所述的方法,其特征在于,所述第二小区为目标小区,包括:
所述第二小区为第一小区列表中的小区;
所述第一小区列表用于记录覆盖用户成功发生所述目标行为时所处地理位置的小区,所述目标行为为与所述服务信息对应的用户操作指令。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集下述信息中的至少一种信息:
交通方式信息,出行日期信息,当前出行日期下的出行时间段信息;
其中,采集的所述信息用于与所述小区信息共同输入所述第一时间预测模型。
4.根据权利要求2所述的方法,其特征在于,每个所述位置簇对应的第二小区列表组成所述第一小区列表。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述将连续采集的所述小区信息输入第一时间预测模型之前,所述方法还包括:
确定所述第一时间预测模型的模型误差小于预设的阈值。
6.根据权利要求5所述的方法,其特征在于,还包括:
确定所述第一时间预测模型的模型误差不小于预设的阈值时,显示所述服务信息。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述将连续采集的所述小区信息输入第一时间预测模型,包括:
按照采集时间的先后顺序,将连续采集的所述小区信息编码为路线特征序列;
将所述路线特征序列输入所述第一时间预测模型。
8.根据权利要求1至4任一项所述的方法,其特征在于,所述在所述第一时间后显示针对于目标行为的服务信息之后,所述方法还包括:
检测到目标行为时,将所述终端设备连续采集的所述小区信息、所述终端设备发生所述目标行为时所处的地理位置、发生所述目标行为时所述终端设备连接的第三小区、发生所述目标行为的时间与首次连接至所述第三小区的时间之间的第一时间间隔、发生所述目标行为前所述终端设备可接入的其它小区的小区信息记录为所述目标行为的历史出行数据。
9.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
获取第一历史出行数据;所述第一历史出行数据用于记录已发生的目标行为的历史出行数据;
根据所述第一历史出行数据聚类得到位置簇;
根据每个所述位置簇对应的第一历史出行数据确定每个所述位置簇对应的第二小区列表,并训练每个所述位置簇对应的时间预测模型。
10.根据权利要求9所述的方法,其特征在于,所述第一历史出行数据,包括:
所述终端设备发生目标行为时所处的地理位置、发生目标行为时所连接的第三小区、发生目标行为时可接入的其他小区、发生目标行为的时间与首次连接至所述第三小区的时间之间的第一时间间隔、发生目标行为前所述终端设备依次连接过的小区信息、发生目标行为前所述终端设备可接入的其它小区的小区信息。
11.根据权利要求9所述的方法,其特征在于,所述根据所述第一历史出行数据聚类得到位置簇,包括:
根据所述第一历史出行数据中发生目标行为时所处的地理位置之间的距离,将距离小于所述第一距离阈值的地理位置进行聚类,得到多个位置簇。
12.根据权利要求9所述的方法,其特征在于,所述根据每个所述位置簇对应的第一历史出行数据确定每个所述位置簇对应的第二小区列表,包括:
根据每个所述位置簇对应的第一历史出行数据中发生目标行为时所连接的第三小区、以及发生目标行为时可接入的其他小区确定所述第二小区列表。
13.根据权利要求9所述的方法,其特征在于,根据每个所述位置簇对应的第一历史出行数据训练每个所述位置簇对应的时间预测模型,包括:
针对于每个所述位置簇中每个所述目标行为的第一历史出行数据,将所述第一历史出行数据中的第三小区、发生目标行为前所述终端设备依次连接过的小区信息、以及发生目标行为前所述终端设备可接入的其它小区的小区信息进行编码,得到特征数据;
将所述第一历史出行数据中的所述第一时间间隔作为训练标签;
将所述特征数据和对应的所述训练标签组成样本数据;
将每个所述位置簇的样本数据划分为每个所述位置簇的训练样本和评估样本;
根据每个所述位置簇的所述训练样本和评估样本训练得到每个所述位置簇对应的时间预测模型。
14.根据权利要求10所述的方法,其特征在于,还包括:
获取第二历史出行数据,所述第二历史出行数据用于记录前一次时间预测模型训练之后已发生的目标行为的历史出行数据;
根据所述第二历史出行数据更新第二小区列表,并对时间预测模型进行重新训练。
15.根据权利要求14所述的方法,其特征在于,根据所述第二历史出行数据对时间预测模型进行重新训练,包括:
对于所述第二历史出行数据中发生目标行为时所处的地理位置,将与已有位置簇中的地理位置间的距离小于第一距离阈值的地理位置分配至已有位置簇中,对未分配至已有位置簇中的地理位置聚类得到新的位置簇;
根据所述已有位置簇对应的第二历史出行数据更新训练所述已有位置簇对应的时间预测模型;
根据新的位置簇对应的第二历史出行数据训练所述新的位置簇对应的时间预测模型。
16.根据权利要求15所述的方法,其特征在于,所述方法还包括:
若重新训练得到的所述时间预测模型的模型误差小于预设的阈值,则更新对应的时间预测模型;
若重新训练得到的所述时间预测模型的模型误差大于或等于预设的阈值,则保持对应的时间预测模型不变。
17.一种电子设备,其特征在于,所述电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当所述计算机程序指令被该处理器执行时,触发所述电子设备执行如权利要求1-16中任一项所述的方法步骤。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1-16中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410381498.4A CN118200845A (zh) | 2023-11-24 | 2023-11-24 | 信息推送方法及设备 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410381498.4A CN118200845A (zh) | 2023-11-24 | 2023-11-24 | 信息推送方法及设备 |
CN202311576011.XA CN117295008B (zh) | 2023-11-24 | 2023-11-24 | 信息推送方法及设备 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311576011.XA Division CN117295008B (zh) | 2023-11-24 | 2023-11-24 | 信息推送方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118200845A true CN118200845A (zh) | 2024-06-14 |
Family
ID=89241028
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410381498.4A Pending CN118200845A (zh) | 2023-11-24 | 2023-11-24 | 信息推送方法及设备 |
CN202311576011.XA Active CN117295008B (zh) | 2023-11-24 | 2023-11-24 | 信息推送方法及设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311576011.XA Active CN117295008B (zh) | 2023-11-24 | 2023-11-24 | 信息推送方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN118200845A (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007145625A1 (en) * | 2006-06-14 | 2007-12-21 | Lucent Technologies, Inc. | Dynamic route prediction based on travel patterns of mobile units |
CN103916885B (zh) * | 2012-12-31 | 2018-11-06 | 华为技术有限公司 | 终端时空移动预测方法和装置 |
EP3045001B1 (en) * | 2013-09-13 | 2017-10-18 | Telefonaktiebolaget LM Ericsson (publ) | Methods, wireless device and network node for managing positioning method based on prediction |
CN107945507B (zh) * | 2016-10-13 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 行程时间预测方法及装置 |
WO2018171941A1 (en) * | 2017-03-23 | 2018-09-27 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Preemptive handover preparation and tracking/paging area handling and intelligent route selection in a cellular network |
WO2019232746A1 (en) * | 2018-06-07 | 2019-12-12 | Huawei Technologies Co., Ltd. | Method of mobility based on prediction and pre-preparation |
CN115119135A (zh) * | 2021-03-08 | 2022-09-27 | 花瓣云科技有限公司 | 一种数据发送方法、接收方法和装置 |
CN116033350A (zh) * | 2021-10-27 | 2023-04-28 | 华为终端有限公司 | 一种基于位置定位的服务实现方法、数据处理方法及装置 |
-
2023
- 2023-11-24 CN CN202410381498.4A patent/CN118200845A/zh active Pending
- 2023-11-24 CN CN202311576011.XA patent/CN117295008B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN117295008B (zh) | 2024-04-05 |
CN117295008A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sohn et al. | Mobility detection using everyday GSM traces | |
Fekih et al. | A data-driven approach for origin–destination matrix construction from cellular network signalling data: a case study of Lyon region (France) | |
CN104737523A (zh) | 通过指派用于数据群集的情境标签来管理移动装置中的情境模型 | |
CN108960590A (zh) | 车辆租赁方法、装置、计算机设备和存储介质 | |
CN102298608A (zh) | 信息处理装置、信息处理方法和程序 | |
CN104508719A (zh) | 驾驶辅助***以及驾驶辅助方法 | |
CN104798420A (zh) | 基于沿路线遇到的周围的可识别无线信号源估计到达时间 | |
CN110677488B (zh) | 物联网***的事件规划方法和装置、存储介质及电子装置 | |
CN107241697A (zh) | 用于移动终端的用户行为确定方法、装置及移动终端 | |
EP4211601B1 (en) | Method for electronic trip familiarity detection | |
CN105023020A (zh) | 语义标注设备及其方法 | |
CN106850921A (zh) | 为特定用户确定电话号码优先级列表 | |
Koster et al. | Recognition and recommendation of parking places | |
KR20130071755A (ko) | 사용자 행동의 예측에 기반하여 서비스를 제공하기 위한 서비스 서버 및 단말 | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
CN114128321A (zh) | 可靠的检测车辆内智能手机的方法和*** | |
CN112699201B (zh) | 导航数据处理方法、装置、计算机设备和存储介质 | |
CN117295008B (zh) | 信息推送方法及设备 | |
AU2016296473B2 (en) | Detecting the context of a user using a mobile device based on wireless signal characteristics | |
CN112800338A (zh) | 下车点的推荐方法、装置、电子设备和计算机程序产品 | |
CN116033343B (zh) | 卡片的显示方法及电子设备 | |
Herberth et al. | Identifying atypical travel patterns for improved medium-term mobility prediction | |
Kazagli et al. | Individual mobility analysis using smartphone data | |
CN105451171B (zh) | 上传用户地理位置数据的方法及设备 | |
CN113077370A (zh) | 地理瓦片的城市功能属性识别方法、设备、介质以及产品 |
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 |