CN103942229B - 目的地预测设备和方法 - Google Patents

目的地预测设备和方法 Download PDF

Info

Publication number
CN103942229B
CN103942229B CN201310025384.8A CN201310025384A CN103942229B CN 103942229 B CN103942229 B CN 103942229B CN 201310025384 A CN201310025384 A CN 201310025384A CN 103942229 B CN103942229 B CN 103942229B
Authority
CN
China
Prior art keywords
user
positions
probability
activity
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.)
Expired - Fee Related
Application number
CN201310025384.8A
Other languages
English (en)
Other versions
CN103942229A (zh
Inventor
李曼
胡卫松
刘晓炜
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.)
NEC China Co Ltd
Original Assignee
NEC China 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 NEC China Co Ltd filed Critical NEC China Co Ltd
Priority to CN201310025384.8A priority Critical patent/CN103942229B/zh
Priority to JP2013135886A priority patent/JP5762474B2/ja
Priority to US13/938,630 priority patent/US9122982B2/en
Publication of CN103942229A publication Critical patent/CN103942229A/zh
Application granted granted Critical
Publication of CN103942229B publication Critical patent/CN103942229B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Abstract

提供了一种用于构建目的地的分层次预测模型的设备，包括被配置为接收用户历史位置数据并从用户历史位置数据中抽取输入数据和输出数据的抽取单元。输入数据包括用户的离开位置和相应的时间，输出数据包括用户的目的地位置。该设备还包括确定单元，被配置为基于所述输入数据和所述输出数据来确定用户在每一个位置可能的活动及其初始概率，并基于用户的离开模式和到达模式对所述初始概率进行调整。该设备还包括预测模型获得单元，被配置为基于所述输入数据以及调整后的概率来获得目的地的分层次预测模型。其中，分层次预测模型的第一层表示活动以及活动之间的转移，第二层表示活动的位置。采用本发明，可以准确地预测用户未来的目的地位置和活动。

Description

目的地预测设备和方法
技术领域
本申请涉及数据分析领域，具体涉及一种用于预测目的地的设备和方法。
背景技术
基于位置的服务根据用户的位置信息来提供相关的服务或信息推荐。其中，目的地预测技术将直接影响基于位置的服务的质量。如果用户的目的地位置能够被准确地预测出来，那么就可以针对用户未来要去的地方向用户提供个性化的位置服务和相关的信息推荐。例如，可以将用户将要去的目的地周边的停车场信息/交通信息/商铺折扣信息等自动地提供给用户。
现有的目的地预测技术根据位置的转移模式来预测未来可能的目的地位置。然而，在大多数情况下，位置之间的转移特征可能并不显著。例如，某个用户周末经常要去公园，但每次去的公园位置可能是不同的。因此，在这种情形下，无法找出该用户周末去公园的位置转移模式，从而无法准确地预测用户的目的地位置。
因此，需要一种能够准确地预测用户的目的地位置的技术方案。
发明内容
本申请采用分层次的预测模型，基于活动的转移模式而不是位置的转移模式来预测用户的目的地位置和活动。这是因为，活动转移比位置转移更有规律，因而更具有可预测性。
根据本发明的第一方面，提供了一种用于构建目的地的分层次预测模型的设备，包括：抽取单元，被配置为接收用户历史位置数据并从用户历史位置数据中抽取输入数据和输出数据，所述输入数据包括用户的离开位置和相应的时间，所述输出数据包括用户的目的地位置；确定单元，被配置为基于所述输入数据和所述输出数据来确定用户在每一个位置可能的活动及其初始概率，并基于用户的离开模式和到达模式对所述初始概率进行调整；以及预测模型获得单元，被配置为基于所述输入数据以及调整后的概率来获得目的地的分层次预测模型，其中，所述分层次预测模型的第一层表示活动以及活动之间的转移，所述分层次预测模型的第二层表示活动的位置。
优选地，所述确定单元还被配置为：通过人工标注或地图数据计算来得到用户在每一个位置可能的活动及其初始概率。
优选地，所述确定单元还被配置为：判断用户在两个位置的到达模式和离开模式是否相似；以及如果相似，则提高所述两个位置处的相同活动的概率并降低其他活动的概率。
优选地，所述预测模型获得单元还被配置为：通过使用马尔可夫模型、神经网络或频繁模式识别中任意一项，基于所述输入数据以及调整后的概率来获得分层次预测模型。
优选地，所述确定单元还被配置为：如果两个位置中每一个位置的上一位置和下一位置分别相同，而且到达两个位置的时间以及从两个位置离开的时间分别位于相同时间段内，则判断所述两个位置的到达模式和离开模式相似。
优选地，所述确定单元还被配置为：如果两个位置的上一位置和下一位置分别接近，而且到达两个位置的时间以及从两个位置离开的时间分别位于相同时间段内，则判断所述两个位置的到达模式和离开模式相似。
根据本发明的第二方面，提供了一种目的地预测设备，包括：接收单元，被配置为接收用户的离开位置和相应的时间；预测单元，被配置为基于所接收的用户的离开位置和相应的时间，应用分层次预测模型来预测用户的目的地和活动；其中，所述分层次预测模型的第一层表示活动以及活动之间的转移，所述分层次预测模型的第二层表示活动的位置。
优选地，预测设备还包括：存储单元，被配置为存储用户的实际位置数据，所述用户的实际位置数据用于更新用户历史位置数据。
根据本发明的第三方面，提供了一种用于构建目的地的分层次预测模型的方法，包括以下步骤：接收用户历史位置数据并从用户历史位置数据中抽取输入数据和输出数据，所述输入数据包括用户的离开位置和相应的时间，所述输出数据包括用户的目的地位置；基于所述输入数据和所述输出数据来确定用户在每一个位置可能的活动及其初始概率，并基于用户的离开模式和到达模式对所述初始概率进行调整；以及基于所述输入数据以及调整后的概率来获得目的地的分层次预测模型，其中，所述分层次预测模型的第一层表示活动以及活动之间的转移，所述分层次预测模型的第二层表示活动的位置。
优选地，通过人工标注或地图数据计算来得到用户在每一个位置可能的活动及其初始概率。
优选地，判断用户在两个位置的到达模式和离开模式是否相似；以及如果相似，则提高所述两个位置处的相同活动的概率并降低其他活动的概率。
优选地，通过使用马尔可夫模型、神经网络或频繁模式识别中任意一项，基于所述输入数据以及调整后的概率来获得分层次预测模型。
优选地，如果两个位置中每一个位置的上一位置和下一位置分别相同，而且到达两个位置的时间以及从两个位置离开的时间分别位于相同时间段内，则判断所述两个位置的到达模式和离开模式相似。
优选地，如果两个位置的上一位置和下一位置分别接近，而且到达两个位置的时间以及从两个位置离开的时间分别位于相同时间段内，则判断所述两个位置的到达模式和离开模式相似。
根据本发明的第四方面，提供了一种目的地预测方法，包括以下步骤：接收用户的离开位置和相应的时间；以及基于所接收的用户的离开位置和相应的时间，应用分层次预测模型来预测用户的目的地和活动；其中，所述分层次预测模型的第一层表示活动以及活动之间的转移，所述分层次预测模型的第二层表示活动的位置。
优选地，该预测方法还包括：存储用户的实际位置数据，所述用户的实际位置数据用于更新用户历史位置数据。
本申请的技术方案可以准确地预测用户未来的目的地活动和目的地位置，特别是在用户的位置转移不规律的情况下。
附图说明
通过下文结合附图的详细描述，本发明的上述和其它特征将会变得更加明显，其中：
图1是示出了根据本发明一个实施例的用于构建目的地的分层次预测模型的设备的框图。
图2是示出了根据本发明一个实施例的用于构建目的地的分层次预测模型的设备所使用的数据表的示意图。
图3是示出了根据本发明一个实施例的用于构建目的地的分层次预测模型的设备所获得的分层次预测模型的示意图。
图4是示出了根据本发明一个实施例的目的地预测设备的框图。
图5示出了根据本发明一个实施例的数据分析方法的流程图。
图6是示出了根据本发明一个实施例的预测方法的流程图。
具体实施方式
下面，通过结合附图对本发明的具体实施例的描述，本发明的原理和实现将会变得明显。应当注意的是，本发明不应局限于下文所述的具体实施例。另外，为了简便起见，省略了与本发明无关的公知技术的详细描述。
图1是示出了根据本发明一个实施例的用于构建目的地的分层次预测模型的设备10的框图。如图1所示，设备10包括抽取单元110、确定单元120和预测模型获得单元130。下面，结合附图2-3来详细描述抽取单元110、确定单元120和预测模型获得单元130的操作。
抽取单元110被配置为从用户历史位置数据101中抽取输入数据和输出数据。在本申请中，输入数据包括用户的离开位置和相应的时间，而输出数据包括用户的目的地位置。参考附图2，其中的表1记录了用户在过去某个时间段的位置数据(即每次出行的离开位置和到达位置)，其中第一列和第二列分别示出了用户的离开位置和相应的时间，第三列示出了用户的目的地位置(到达位置)。表1中的A、B、C等可以包括具体的经纬度数据，例如116.12504、40.2876，等等。然而，位置数据A、B、C的表现形式不限于此。
确定单元120被配置为基于输入数据和输出数据来确定用户在每一个位置可能的活动及其初始概率，并基于用户的离开模式和到达模式对初始概率进行调整，从而得到该用户在特定时间段在该位置的活动及其概率。
具体地，确定单元120可以利用人工标注或地图数据计算来得到用户在每一个位置可能的活动及其初始概率。例如，确定单元120可以基于地图数据获得每个位置的语义信息(例如该位置属于餐厅还是购物中心)。然后，确定单元120基于语义和活动的映射关系得到该位置的活动(例如，与餐厅对应的活动是吃饭)。如果位置是购物中心，其可能包括多个商铺和餐厅，因此它对应两种语义并且映射为两种活动：购物和吃饭。确定单元120可以根据该购物中心中的商铺和餐厅的规模及数量，得到在此购物中心购物和吃饭两种活动各自的初始概率。对所有用户来说，与特定位置对应的活动及其初始概率是相同的。
参考附图2，其中的表2示出了确定单元120得到的每个位置可能的活动及其初始概率。例如，位置C可能的活动是“工作”和“吃饭”，其中“工作”的概率是0.2，而“吃饭”的概率是0.8。位置D可能的活动是“吃饭”和“购物”，其中“吃饭”的概率是0.6，而“购物”的概率是0.4。
进一步地，确定单元120基于用户的离开模式和到达模式对初始概率进行调整，使其更贴近用户的活动特征。该调整的主要原则是：如果用户在某两个位置的到达模式和离开模式非常相似，那么用户在这两个位置的活动也应该是相似的。
在本申请中，到达模式是指在某个时间段内所有以停留点L作为目的地位置，从停留点L的前一个停留点到达停留点L的位置转移。离开模式是指在某个时间段内所有以停留点L作为离开位置，到达停留点L的后一个停留点的位置转移。其中，停留点是指用户的停留时间超过特定阈值的地理位置，该阈值可以根据实际情况来设置(例如可以设置为30分钟)。参考参考附图2来描述确定单元120对初始概率进行调整的一个操作示例。从附图2中的表1可以得到：
位置C的到达模式(即C作为到达位置)为：
时间17:50星期一，B-＞C
位置C的离开模式(即C作为离开位置)为：
时间19:00星期三，C-＞A，时间19:15星期四，C-＞A
位置D的到达模式(即D作为到达位置)为：
时间18:00星期一，B-＞D
位置D的离开模式(即D作为离开位置)为：
时间20:00星期二，D＞A，时间19:10星期五，D＞A
可以看出，位置C和D的到达模式非常相似(都是在周一17:50～18:00之间离开B到达C或D)。而且，位置C和D的离开模式也非常相似(都是在工作日的19:00～20:00之间离开C或D到达A)。所以，确定单元120判断位置C和D的活动应该是相似的，从而提高这两个位置的相同活动(即“吃饭”)的概率，并同时降低其他活动的概率。确定单元120可以通过增量的方式或乘以特定的系数来提高概率。例如，如附图2中的表3所示，确定单元120可以将用户在位置C“吃饭”的概率提高为0.95，而将“工作”的概率降为0.05，并将用户在位置D“吃饭”的概率提高为0.7，而将“购物”的概率降为0.3。
应当说明的是，确定单元120判断两个位置的到达模式和离开模式是相似的条件不限于以上情况。例如，如果到达两个位置之前的位置相同，而从这两个位置出发到达的目的地不完全相同，只要两个目的地的距离足够近(例如小于特定阈值)而且到达两个位置的时间以及从两个位置离开的时间分别位于相同时间段内，确定单元120也可以判断这两个位置的到达模式和离开模式是相似的。本领域技术人员也可以根据实际情况来设置其他的判决条件。
回到图1，预测模型获得单元130被配置为基于输入数据(用户的离开位置和相应的时间)以及调整后的概率来获得分层次预测模型102。这是条件性的活动转移预测。即，预测的活动转移取决于特定的离开位置和离开时间，并且到达活动与特定的位置具有映射关系。该预测可以通过使用马尔可夫模型、神经网络、频繁模式识别或其他技术来实现。所获得的分层次预测模型102包括两层，其中第一层表示活动以及活动之间的转移，而第二层表示活动的位置。下面，参考附图3来描述预测模型获得单元130的操作实例。
预测模型获得单元130基于附图3中的历史位置数据(表1)和该用户的调整后的活动概率(表3)，可以得到用户的历史位置-活动数据(表4)，即用户在每个位置的活动及其概率。然后，通过对表4中的数据进行训练，可以得到分层次预测模型102。如图3下半部分所示，分层次预测模型102包括两层，高一层表示活动以及活动间的转移，低一层表示位置，这两层之间通过活动和位置的映射关系及概率相连接。例如，图3中的分层次预测模型102表示用户在工作日的17:00～24:00有两类活动转移：第一类是工作后去吃饭(概率为0.8)，其中工作的位置是A，吃饭的位置可能是C(概率为0.65)也可能是D(概率为0.35)；第二类是工作后回家(概率为0.15)，其中工作的位置是A，家的位置是B。
利用根据本实施例的用于构建目的地的分层次预测模型的设备10，可以产生能够准确地预测用户的目的地位置和活动的分层次预测模型。
图4是示出了根据本发明一个实施例的目的地预测设备40的框图。如图4所示，目的地预测设备40包括接收单元410和预测单元420。备选地，目的地预测设备40还可以包括存储单元430(图4中虚线框所示)。
接收单元410被配置为接收输入数据401(用户的离开位置和相应的时间)。预测单元420被配置为基于所接收的输入数据401，应用分层次预测模型102来预测用户的目的地和活动。该分层次预测模型102可以是上文所述的用于构建目的地的分层次预测模型的设备10所获得的分层次预测模型102(参考附图3)。
例如，假设接收单元410接收到的数据是：离开位置是“B”，离开时间是“2012年11月15日，17:00，星期四”。预测单元420通过应用分层次预测模型102，可以预测得出该用户未来可能的活动包括“吃饭”和“在家”。其中，“吃饭”的概率是0.8(在位置C的概率是0.65，在位置D的概率是0.35)，而“在家”的概率是0.15(在位置A的概率是1)。
目的地预测设备40可选地还可以包括存储单元430。存储单元430被配置为存储用户的实际位置数据，并定期发送所存储的实际位置数据以更新用户历史位置数据(例如，更新附图2中的表1)。用于构建目的地的分层次预测模型的设备10可以利用更新后的用户历史位置数据获得更好的分层次预测模型102。
利用根据本实施例的目的地预测设备40，可以准确地预测用户未来的目的地活动和目的地位置，特别是在用户的位置转移不规律的情况下。
图5示出了根据本发明一个实施例的数据分析方法50的流程图。如图5所示，方法50在步骤S510处开始。
在步骤S520，从用户历史位置数据中抽取输入数据和输出数据。如上文所述，本申请中的输入数据包括用户的离开位置和相应的时间，而输出数据包括用户的目的地位置。参考附图2，其中的表1记录了用户在过去某个时间段的位置数据(即每次出行的离开位置和到达位置)，其中第一列和第二列分别示出了用户的离开位置和相应的时间，第三列示出了用户的目的地位置(到达位置)。表1中的A、B、C等可以包括具体的经纬度数据，但是不限于此。
在步骤S530，基于输入数据和输出数据来确定用户在每一个位置可能的活动及其初始概率，并基于用户的离开模式和到达模式对初始概率进行调整，从而得到该用户在特定时间段在该位置的活动及其概率。可以利用人工标注或地图数据计算来得到用户在每一个位置可能的活动及其初始概率。对所有用户来说，与特定位置对应的活动及其初始概率是相同的。例如参考附图2，其中的表2示出了通过执行步骤S530而得到的每个位置可能的活动及其初始概率。例如，位置C可能的活动是“工作”和“吃饭”，其中“工作”的概率是0.2，而“吃饭”的概率是0.8。位置D可能的活动是“吃饭”和“购物”，其中“吃饭”的概率是0.6，而“购物”的概率是0.4。
进一步地，基于用户的离开模式和到达模式对初始概率进行调整，使其更贴近用户的活动特征。可以判断用户在两个位置的到达模式和离开模式是否相似。如果相似，则提高这两个位置处的相同活动的概率并降低其他活动的概率。例如，参考图2，如果位置C和D的到达模式非常相似(都是在周一17:50～18:00之间离开B到达C或D)，而且位置C和D的离开模式也非常相似(都是在工作日的19:00～20:00之间离开C或D到达A)，则可以提高这两个位置的相同活动(即“吃饭”)的概率，并同时降低其他活动的概率。可以通过增量的方式或乘以特定的系数来提高概率。例如，如附图2中的表3所示，可以将用户在位置C“吃饭”的概率提高为0.95，而将“工作”的概率降为0.05，并将用户在位置D“吃饭”的概率提高为0.7，而将“购物”的概率降为0.3。
此后，在步骤S540，基于所述输入数据以及调整后的概率来获得分层次预测模型。所获得的分层次预测模型的第一层表示活动以及活动之间的转移，第二层表示活动的位置(参考附图3)。步骤S540可以通过使用马尔可夫模型、神经网络、频繁模式识别或其他技术来执行。
最后，方法50在步骤S550处结束。
图6是示出了根据本发明一个实施例的预测方法60的流程图。如图6所示，方法60在步骤S610处开始。
在步骤S620，接收用户的离开位置和相应的时间。之后，在步骤S630，基于所接收的用户的离开位置和相应的时间，应用分层次预测模型来预测用户的目的地和活动。
例如，假设接收到的数据是：离开位置是“B”，离开时间是“2012年11月15日，17:00，星期四”。通过应用分层次预测模型(参见附图3)，可以预测得出该用户未来可能的活动包括“吃饭”和“在家”。其中，“吃饭”的概率是0.8(在位置C的概率是0.65，在位置D的概率是0.35)，而“在家”的概率是0.15(在位置A的概率是1)。
可选地，方法60还可以包括步骤S640。在步骤S640，存储用户的实际位置数据，并定期发送所存储的实际位置数据以更新用户历史位置数据(例如，更新附图2中的表1)。可以利用更新后的用户历史位置数据获得更好的分层次预测模型。
最后，方法60在步骤S650处结束。
应该理解，本发明的上述实施例可以通过软件、硬件或者软件和硬件两者的结合来实现。例如，上述实施例中的用于构建目的地的分层次预测模型的设备和目的地预测设备内的各种组件可以通过多种器件来实现，这些器件包括但不限于：模拟电路、数字电路、通用处理器、数字信号处理(DSP)电路、可编程处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件(CPLD)，等等。
另外，本领域的技术人员可以理解，本发明实施例中描述的用户的用户历史位置数据或实际出行数据可以存储在本地数据库中，也可以存储在分布式数据库中或者可以存储在远程数据库中。
此外，这里所公开的本发明的实施例可以在计算机程序产品上实现。更具体地，该计算机程序产品是如下的一种产品：具有计算机可读介质，计算机可读介质上编码有计算机程序逻辑，当在计算设备上执行时，该计算机程序逻辑提供相关的操作以实现本发明的上述技术方案。当在计算系统的至少一个处理器上执行时，计算机程序逻辑使得处理器执行本发明实施例所述的操作(方法)。本发明的这种设置典型地提供为设置或编码在例如光介质(例如CD-ROM)、软盘或硬盘等的计算机可读介质上的软件、代码和/或其他数据结构、或者诸如一个或多个ROM或RAM或PROM芯片上的固件或微代码的其他介质、或一个或多个模块中的可下载的软件图像、共享数据库等。软件或固件或这种配置可安装在计算设备上，以使得计算设备中的一个或多个处理器执行本发明实施例所描述的技术方案。
尽管以上已经结合本发明的优选实施例示出了本发明，但是本领域的技术人员将会理解，在不脱离本发明的精神和范围的情况下，可以对本发明进行各种修改、替换和改变。因此，本发明不应由上述实施例来限定，而应由所附权利要求及其等价物来限定。

Claims (16)

1.一种用于构建目的地的分层次预测模型的设备，包括：
抽取单元，被配置为接收用户历史位置数据并从用户历史位置数据中抽取输入数据和输出数据，所述输入数据包括用户的离开位置和相应的时间，所述输出数据包括用户的目的地位置；
确定单元，被配置为基于所述输入数据和所述输出数据来确定用户在每一个位置可能的活动及其初始概率，并基于用户的离开模式和到达模式对所述初始概率进行调整；以及
预测模型获得单元，被配置为基于所述输入数据以及调整后的概率来获得目的地的分层次预测模型，其中，所述分层次预测模型的第一层表示活动以及活动之间的转移，所述分层次预测模型的第二层表示活动的位置。
2.根据权利要求1所述的设备，其中，所述确定单元还被配置为：通过人工标注或地图数据计算来得到用户在每一个位置可能的活动及其初始概率。
3.根据权利要求1所述的设备，其中，所述确定单元还被配置为：判断用户在两个位置的到达模式和离开模式是否相似；以及如果相似，则提高所述两个位置处的相同活动的概率并降低其他活动的概率。
4.根据权利要求1所述的设备，其中，所述预测模型获得单元还被配置为：通过使用马尔可夫模型、神经网络或频繁模式识别中任意一项，基于所述输入数据以及调整后的概率来获得分层次预测模型。
5.根据权利要求3所述的设备，其中，所述确定单元还被配置为：如果两个位置中每一个位置的上一位置和下一位置分别相同，而且到达两个位置的时间和从两个位置离开的时间分别位于相同时间段内，则判断所述两个位置的到达模式和离开模式相似。
6.根据权利要求3所述的设备，其中，所述确定单元还被配置为：如果两个位置的上一位置和下一位置之间的距离小于特定阈值，而且到达两个位置的时间和从两个位置离开的时间分别位于相同时间段内，则判断所述两个位置的到达模式和离开模式相似。
7.一种目的地预测设备，包括：
接收单元，被配置为接收用户的离开位置和相应的时间；
预测单元，被配置为基于所接收的用户的离开位置和相应的时间，应用分层次预测模型来预测用户的目的地和活动；
其中，所述分层次预测模型的第一层表示活动以及活动之间的转移，所述分层次预测模型的第二层表示活动的位置。
8.根据权利要求7所述的目的地预测设备，还包括：
存储单元，被配置为存储用户的实际位置数据，所述用户的实际位置数据用于更新用户历史位置数据。
9.一种用于构建目的地的分层次预测模型的方法，包括以下步骤：
接收用户历史位置数据并从用户历史位置数据中抽取输入数据和输出数据，所述输入数据包括用户的离开位置和相应的时间，所述输出数据包括用户的目的地位置；
基于所述输入数据和所述输出数据来确定用户在每一个位置可能的活动及其初始概率，并基于用户的离开模式和到达模式对所述初始概率进行调整；以及
基于所述输入数据以及调整后的概率来获得目的地的分层次预测模型，其中，所述分层次预测模型的第一层表示活动以及活动之间的转移，所述分层次预测模型的第二层表示活动的位置。
10.根据权利要求9所述的方法，其中，通过人工标注或地图数据计算来得到用户在每一个位置可能的活动及其初始概率。
11.根据权利要求9所述的方法，其中，
判断用户在两个位置的到达模式和离开模式是否相似；以及
如果相似，则提高所述两个位置处的相同活动的概率并降低其他活动的概率。
12.根据权利要求9所述的方法，其中，通过使用马尔可夫模型、神经网络或频繁模式识别中任意一项，基于所述输入数据以及调整后的概率来获得分层次预测模型。
13.根据权利要求11所述的方法，其中，如果两个位置中每一个位置的上一位置和下一位置分别相同，而且到达两个位置的时间和从两个位置离开的时间分别位于相同时间段内，则判断所述两个位置的到达模式和离开模式相似。
14.根据权利要求11所述的方法，其中，如果两个位置的上一位置和下一位置之间的距离小于特定阈值，而且到达两个位置的时间和从两个位置离开的时间分别位于相同时间段内，则判断所述两个位置的到达模式和离开模式相似。
15.一种目的地预测方法，包括以下步骤：
接收用户的离开位置和相应的时间；以及
基于所接收的用户的离开位置和相应的时间，应用分层次预测模型来预测用户的目的地和活动；
其中，所述分层次预测模型的第一层表示活动以及活动之间的转移，所述分层次预测模型的第二层表示活动的位置。
16.根据权利要求15所述的目的地预测方法，还包括：
存储用户的实际位置数据，所述用户的实际位置数据用于更新用户历史位置数据。
CN201310025384.8A 2013-01-22 2013-01-22 目的地预测设备和方法 Expired - Fee Related CN103942229B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310025384.8A CN103942229B (zh) 2013-01-22 2013-01-22 目的地预测设备和方法
JP2013135886A JP5762474B2 (ja) 2013-01-22 2013-06-28 階層的目的地予測モデル構築装置、目的地予測装置及び階層的目的地予測モデル構築方法、目的地予測方法
US13/938,630 US9122982B2 (en) 2013-01-22 2013-07-10 Device and method for destination prediction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310025384.8A CN103942229B (zh) 2013-01-22 2013-01-22 目的地预测设备和方法

Publications (2)

Publication Number Publication Date
CN103942229A CN103942229A (zh) 2014-07-23
CN103942229B true CN103942229B (zh) 2017-05-03

Family

ID=51189899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310025384.8A Expired - Fee Related CN103942229B (zh) 2013-01-22 2013-01-22 目的地预测设备和方法

Country Status (3)

Country Link
US (1) US9122982B2 (zh)
JP (1) JP5762474B2 (zh)
CN (1) CN103942229B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2975002C (en) 2015-01-27 2020-09-29 Beijing Didi Infinity Technology And Development Co., Ltd. Methods and systems for providing information for an on-demand service
US10909464B2 (en) * 2015-04-29 2021-02-02 Microsoft Technology Licensing, Llc Semantic locations prediction
JP2018528535A (ja) * 2015-08-20 2018-09-27 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド 過去の注文に基づき現在の注文に関係がある情報を決定するためのシステムおよび方法
CN105357638B (zh) * 2015-11-06 2019-10-22 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
CN105550774A (zh) * 2015-12-11 2016-05-04 浙江省公众信息产业有限公司 设施投料预测方法和系统
CN107305128A (zh) * 2016-04-21 2017-10-31 斑马网络技术有限公司 导航处理方法、导航设备、交通工具控制设备及操作系统
CN107798024A (zh) * 2016-09-07 2018-03-13 北京嘀嘀无限科技发展有限公司 一种出行目的地推荐处理方法及装置
CN106949901B (zh) * 2017-01-24 2022-05-03 斑马信息科技有限公司 目的地推荐系统和方法
CN107480807A (zh) * 2017-07-06 2017-12-15 中山大学 基于时空感知神经网络的共享单车目的地预测方法及装置
CN109558961B (zh) * 2017-09-25 2023-05-02 阿里巴巴集团控股有限公司 确定位置信息的方法和系统、存储介质、处理器以及装置
CN109768869B (zh) * 2017-11-06 2022-05-31 中国移动通信有限公司研究院 一种业务预测方法、系统和计算机存储介质
CN107862868B (zh) * 2017-11-09 2019-08-20 泰华智慧产业集团股份有限公司 一种基于大数据进行车辆轨迹预测的方法
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN108009688B (zh) * 2017-12-15 2021-08-31 东软集团股份有限公司 聚集事件预测方法、装置及设备
CN108228811A (zh) * 2017-12-29 2018-06-29 上海爱优威软件开发有限公司 信息推荐方法及系统
WO2019241918A1 (en) * 2018-06-20 2019-12-26 Bayerische Motoren Werke Aktiengesellschaft Method, system and computer program product for user mobility prediction
EP3783506B1 (en) * 2018-06-21 2024-04-17 Shenzhen Institutes of Advanced Technology Parking lot data repair method and apparatus, device and storage medium
CN110674962A (zh) * 2018-07-03 2020-01-10 百度在线网络技术（北京）有限公司 车辆的行程预估处理方法、装置及存储介质
CN110874952A (zh) * 2018-09-03 2020-03-10 上海博泰悦臻电子设备制造有限公司 停车位动态管理方法及服务器
CN109325635B (zh) * 2018-10-25 2022-02-15 电子科技大学中山学院 一种基于自动补全的位置预测方法
CN111289001B (zh) * 2018-12-10 2023-10-20 阿里巴巴集团控股有限公司 导航方法和装置以及电子设备
CN109919649A (zh) * 2019-01-11 2019-06-21 北京腾云天下科技有限公司 一种目标用户确定方法、装置、计算设备及介质
CN112541608B (zh) * 2020-02-19 2023-10-20 深圳中科保泰空天技术有限公司 无人机起飞点预测方法及装置
CN112750328B (zh) * 2020-12-29 2022-05-24 深圳市顺易通信息科技有限公司 一种行车路径推荐方法、装置、设备及介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002139332A (ja) * 2000-11-01 2002-05-17 Matsushita Electric Ind Co Ltd ナビゲーション方法および装置
JP4566844B2 (ja) * 2005-07-01 2010-10-20 株式会社デンソー ナビゲーションシステム、および、そのナビゲーションシステムに用いる記憶装置
US7702615B1 (en) * 2005-11-04 2010-04-20 M-Factor, Inc. Creation and aggregation of predicted data
CN1967523B (zh) * 2005-11-15 2010-07-28 日电（中国）有限公司 路况信息查询系统及路况信息查询方法
US7937402B2 (en) * 2006-07-10 2011-05-03 Nec (China) Co., Ltd. Natural language based location query system, keyword based location query system and a natural language and keyword based location query system
CN101359357B (zh) * 2007-07-30 2012-06-06 日电（中国）有限公司 标签识别系统、标签读取装置和标签顺序确定方法
CN101398835B (zh) * 2007-09-30 2012-08-29 日电（中国）有限公司 基于自然语言的服务选择系统与方法以及服务查询系统与方法
CN101247392B (zh) * 2008-02-28 2010-12-08 中兴通讯股份有限公司 目标活动预测装置及方法
US9767209B2 (en) * 2009-05-28 2017-09-19 Apple Inc. Search filtering based on expected future time and location
CN102110128A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于交通信息元素知识库的交通信息转化方法和装置
CN102110365B (zh) * 2009-12-28 2013-11-06 日电（中国）有限公司 基于时空关系的路况预测方法和系统
JP2012008771A (ja) * 2010-06-24 2012-01-12 Sony Corp 情報処理装置、情報処理システム、情報処理方法およびプログラム
CN103970805B (zh) * 2013-02-05 2018-01-09 日电（中国）有限公司 移动模式挖掘设备和方法

Also Published As

Publication number Publication date
JP5762474B2 (ja) 2015-08-12
CN103942229A (zh) 2014-07-23
US9122982B2 (en) 2015-09-01
JP2014142909A (ja) 2014-08-07
US20140207725A1 (en) 2014-07-24

Similar Documents

Publication Publication Date Title
CN103942229B (zh) 目的地预测设备和方法
CN108875007B (zh) 兴趣点的确定方法和装置、存储介质、电子装置
CN106462627B (zh) 根据多个位置数据报告分析语义地点和相关数据
CN105493109B (zh) 使用多个数据源的空气质量推断
Comito et al. Mining human mobility patterns from social geo-tagged data
CN107273437B (zh) 提供与用户可能访问的地点相关的信息的方法和系统
CN101297337B (zh) 采用开放和闭合世界建模方法从局部轨迹预测目的地的方法
KR101312927B1 (ko) 광고 제공 시스템
CN109885643B (zh) 一种基于语义轨迹的位置预测方法及存储介质
CN110191416A (zh) 用于分析目标实体的移动的装置、系统和方法
CN102298608A (zh) 信息处理装置、信息处理方法和程序
CN103995837A (zh) 一种基于群体足迹的个性化旅游路线规划方法
CN103649770A (zh) 移动设备的位置估计
CN103731916A (zh) 一种基于无线网络的用户位置预测系统和方法
JP6147242B2 (ja) 予測装置、予測方法及び予測プログラム
JP2016122373A (ja) 情報処理装置、情報処理システム、端末装置、情報処理方法、及びプログラム
CN108733774A (zh) 一种基于大数据的失业人口动态监测方法
Cai et al. Discovering regions of anomalous spatial co-locations
CN107133689B (zh) 一种位置标记方法
Siripirote et al. Updating of travel behavior model parameters and estimation of vehicle trip chain based on plate scanning
KR101305864B1 (ko) 지자체 행정정보를 활용한 물사용량 평가방법 및 그 시스템
KR102225813B1 (ko) 복지시설 수요 예측관리 장치 및 방법
Wang Understanding activity location choice with mobile phone data
Swanson et al. Using mobile phone data to evaluate access to essential services following natural hazards
CN106920391B (zh) 一种基于空间误差模型的公共交通通达性差异分析方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170503

Termination date: 20180122

CF01 Termination of patent right due to non-payment of annual fee