CN104581622B - 移动用户位置预测方法及设备 - Google Patents

移动用户位置预测方法及设备 Download PDF

Info

Publication number
CN104581622B
CN104581622B CN201310518476.XA CN201310518476A CN104581622B CN 104581622 B CN104581622 B CN 104581622B CN 201310518476 A CN201310518476 A CN 201310518476A CN 104581622 B CN104581622 B CN 104581622B
Authority
CN
China
Prior art keywords
mobile subscriber
behavior
happening
activity
movable
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.)
Active
Application number
CN201310518476.XA
Other languages
English (en)
Other versions
CN104581622A (zh
Inventor
丁强
余辰
李莉
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.)
Huawei Technologies Co Ltd
Huazhong University of Science and Technology
Original Assignee
Huawei Technologies Co Ltd
Huazhong University of Science and Technology
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 Huawei Technologies Co Ltd, Huazhong University of Science and Technology filed Critical Huawei Technologies Co Ltd
Priority to CN201310518476.XA priority Critical patent/CN104581622B/zh
Priority to PCT/CN2014/088464 priority patent/WO2015062409A1/zh
Priority to JP2016526824A priority patent/JP6277569B2/ja
Priority to EP14856995.7A priority patent/EP3048820B1/en
Priority to KR1020167012508A priority patent/KR101787929B1/ko
Publication of CN104581622A publication Critical patent/CN104581622A/zh
Priority to US15/139,556 priority patent/US9906913B2/en
Application granted granted Critical
Publication of CN104581622B publication Critical patent/CN104581622B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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
    • 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
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Telephonic Communication Services (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephone Function (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供一种移动用户位置预测方法及设备，该方法包括：确定移动用户的当前行为活动的发生概率；根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置。本实施例可以提高移动用户的目标地理位置的可用性。

Description

移动用户位置预测方法及设备
技术领域
本发明实施例涉及通信技术，尤其涉及一种移动用户位置预测方法及设备。
背景技术
随着地理信息系统、移动定位技术、无线通讯网络、智能终端技术、传感器技术的飞速发展，情境智能应用也飞速发展。在情景智能应用中，如何预测移动用户的目标地理位置，对情景智能应用的开放十分重要。
现有技术中，通过记录移动用户曾经频繁到访的多个历史地理位置，在预测移动用户的目标地理位置时，根据预设的预测模型，从多个历史地理位置中选取移动用户的目标地理位置。
然而，在预测初期阶段，由于缺少足够的历史地理位置信息，移动用户的目标地理位置的选取就会受到很大的限制，导致移动用户的目标地理位置的准确性较低。
发明内容
本发明实施例提供一种移动用户位置预测方法及设备，以提高移动用户的目标地理位置的准确性。
第一方面，本发明提供一种移动用户位置预测方法，包括：
确定移动用户的当前行为活动的发生概率；
根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；
根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；
根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置。
结合第一方面，在第一方面的第一种可能的实现方式中，所述历史活动迁移规律包括：由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子；
所述公共活动迁移规律包括由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率，包括：
根据所述当前行为活动的发生概率、由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子，确定与所述历史行为活动对应的目标行为活动的发生概率；
根据所述当前行为活动的发生概率、由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子，确定与所述公共行为活动对应的目标行为活动的发生概率；
根据与所述历史行为活动对应的目标行为活动的发生概率和与所述公共行为活动对应的目标行为活动的发生概率，确定所述移动用户的目标行为活动的发生概率。
结合第一方面，在第一方面的第三种可能的实现方式中，所述根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置，包括：
确定所述移动用户的所述目标行为活动是否存在于所述移动用户的历史行为活动记录中，所述历史行为活动记录包括与所述目标行为活动对应的历史地理位置；
若是，根据所述历史行为活动记录，预测所述移动用户的目标地理位置；
若否，根据第一预设地理位置范围内、与所述目标行为活动对应的地理位置，预测所述移动用户的目标地理位置。
结合第一方面、第一方面的第一种至第三种任一种可能的实现方式，在第一方面的第四种可能的实现方式中，所述确定移动用户的当前行为活动的发生概率，包括：
获取所述移动用户的当前地理位置和当前时间，根据所述当前地理位置，确定第二预设地理位置范围内所述移动用户的兴趣点分布，根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，或者
获取与所述移动用户对应的传感数据，根据所述传感数据确定所述移动用户的运动状态，根据所述移动用户的运动状态，确定所述移动用户的当前行为活动的发生概率；或者
获取所述移动用户的当前地理位置的背景音，根据所述背景音，确定所述移动用户的当前行为活动的发生概率。
结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述当前时间、各所述兴趣点、当前行为活动的发生子概率具有对应关系；
所述根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，包括：
根据所述兴趣点分布，确定各所述兴趣点的比率；
根据各所述兴趣点的比率，以及与各所述兴趣点对应的所述当前行为活动的发生子概率，确定在所述当前时间所述移动用户的当前行为活动的发生概率。
第二方面，本发明提供一种用户设备，包括：
第一概率确定模块，用于确定移动用户的当前行为活动的发生概率；
第二概率确定模块，用于根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；
行为活动确定模块，用于根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；
预测模块，用于根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置。
结合第二方面，在第二方面的第一种可能的实现方式中，所述历史活动迁移规律包括：由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子；
所述公共活动迁移规律包括由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子。
结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述第二概率确定模块具体用于：
根据所述当前行为活动的发生概率、由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子，确定与所述历史行为活动对应的目标行为活动的发生概率；
根据所述当前行为活动的发生概率、由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子，确定与所述公共行为活动对应的目标行为活动的发生概率；
根据与所述历史行为活动对应的目标行为活动的发生概率和与所述公共行为活动对应的目标行为活动的发生概率，确定所述移动用户的目标行为活动的发生概率。
结合第二方面，在第二方面的第三种可能的实现方式中，所述预测模块具体用于：
确定所述移动用户的所述目标行为活动是否存在于所述移动用户的历史行为活动记录中，所述历史行为活动记录包括与所述目标行为活动对应的历史地理位置；
若是，根据所述历史行为活动记录，预测所述移动用户的目标地理位置；
若否，根据第一预设地理位置范围内、与所述目标行为活动对应的地理位置，预测所述移动用户的目标地理位置。
结合第二方面、第二方面的第一种至第三种任一种可能的实现方式，在第二方面的第四种可能的实现方式中，所述第一概率确定模块具体用于：
获取所述移动用户的当前地理位置和当前时间，根据所述当前地理位置，确定第二预设地理位置范围内所述移动用户的兴趣点分布，根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，或者
获取与所述移动用户对应的传感数据，根据所述传感数据确定所述移动用户的运动状态，根据所述移动用户的运动状态，确定所述移动用户的当前行为活动的发生概率；或者
获取所述移动用户的当前地理位置的背景音，根据所述背景音，确定所述移动用户的当前行为活动的发生概率。
结合第二方面的第四种可能的实现方式，在第二方面的第五种可能的实现方式中，所述当前时间、各所述兴趣点、当前行为活动的发生子概率具有对应关系；
所述第一概率确定模块还具体用于：
根据所述兴趣点分布，确定各所述兴趣点的比率；
根据各所述兴趣点的比率，以及与各所述兴趣点对应的所述当前行为活动的发生子概率，确定在所述当前时间所述移动用户的当前行为活动的发生概率。
本发明实施例提供的移动用户位置预测方法及设备，通过用户设备确定移动用户的当前行为活动的发生概率；根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置。本发明在没有移动用户大量的历史活动迁移规律的情况下，通过公共活动迁移规律确定移动用户的目标地理位置，提高了目标地理位置的准确性。同时，通过公共活动迁移规律，本实施例还可以对没有出现在移动用户历史迁移规律中的地理位置进行预测，得到目标地理位置，提高移动用户位置预测方法的普遍适用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明移动用户位置预测方法实施例一的流程示意图
图2为本发明用户设备实施例一的结构示意图；
图3为本发明用户设备实施例二的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明移动用户位置预测方法实施例一的流程示意图。本实施例提供的移动用户位置预测方法可以由用户设备实现，该用户设备可以通过软件和/或硬件实现。如图1所示，本实施例提供的移动用户位置预测方法包括：
步骤101、确定移动用户的当前行为活动的发生概率；
步骤102、根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；
步骤103、根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；
步骤104、根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置。
在具体实现过程中，用户设备确定移动用户的目标地理位置，其中，目标地理位置是指移动用户位于当前地理位置时，可能下一步需要去的目的地。例如，判断移动用户的目标地理位置是经常光顾的购物中心，那么可以提前把商家打折和促销活动信息推送给移动用户，既节省了用户的时间，也提高了用户体验。或者，已知移动用户的目标地理位置是家，则提醒移动用户下班回家途中购买面粉，远程控制把家里的空调打开，同时把各路段交通拥堵状况发送到用户设备上。
本领域技术人员可以理解，上述实施例仅是对移动用户的目标地理位置的部分应用过程，不是全部应用过程，对于移动用户的目标地理位置的其它应用过程，本实施例此处不再赘述。
下面，本实施例对如何确定移动用户的目标地理位置，进行详细说明。
在步骤101中，用户设备先确定移动用户的当前行为活动的发生概率。具体地，可通过以下可能的实现方式实现。
一种可能的实现方式，获取所述移动用户的当前地理位置和当前时间，根据所述当前地理位置，确定第二预设地理位置范围内所述移动用户的兴趣点分布，根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率。
具体地，移动用户日常生活中的行为活动有吃饭、工作、购物等，假设有M种，M为自然数，每一种行为活动对应一个兴趣点（Point of Interest，简称POI），兴趣点具体可以为餐厅、商场、写字楼等，假设有N种，N为自然数。
特别地，当前时间、各兴趣点、当前行为活动的发生子概率具有对应关系。具体地，可通过条件发生概率p(Acti|POIk,T)表示对应关系，其中，Acti代表移动用户的当前行为活动的发生子概率，POIk代表兴趣点，T代表当前时间，具体可如表一所示。其中，该移动用户的当前行为活动的发生子概率可以是专家给出的经验值，也可以根据收集到的多个移动用户的历史活动记录来统计获取。
表一
在当前时间处于8:00-11:30时间段时，如表一可知，当兴趣点为写字楼时，移动用户当前行为活动为吃饭的发生子概率为0.05，工作的发生子概率为0.9，购物的发生子概率为0.05。
由于相对于移动用户当前地理位置的第二预设地理位置范围内有很多兴趣点，因此根据所述兴趣点分布，确定所述兴趣点的比率；根据所述兴趣点的比率，以及与各所述兴趣点对应的所述当前行为活动的发生子概率，确定在所述当前时间所述移动用户的当前行为活动的发生概率。
具体地，根据移动用户当前地理位置的坐标搜索得到第二预设地理位置范围内所有兴趣点，相对于所有的兴趣点，对同一当前行为活动的发生子概率求和，得到在当前地理位置当前行为活动的发生概率。即公式一所示。
其中，Acti代表移动用户的当前行为活动的发生子概率，POIk代表兴趣点，T代表当前时间，Loc代表当前地理位置，N为兴趣点的个数。Pk为同一类型的兴趣点的数量占所有兴趣点的比率，pk(0≤pk≤1)。例如，兴趣点为餐厅时，Pk=0.4，兴趣点为商场时，Pk=0.3，兴趣点为写字楼时，Pk=0.3。
当前时间处于8:00-11:30时间段内，当前行为活动为吃饭，则当前行为活动的发生概率为P=0.4×0.5+0.3×0.3+0.3×0.05=0.305；当前行为活动为工作，则当前行为活动的发生概率为P=0.4×0.5+0.3×0.1+0.3×0.9=0.5；当前行为活动为购物，则当前行为活动的发生概率为P=0.4×0+0.3×0.6+0.3×0.05=0.195。
另一种可能的实现方式，获取与所述移动用户对应的传感数据，根据所述传感数据确定所述移动用户的运动状态，根据所述移动用户的运动状态，确定所述移动用户的当前行为活动的发生概率。
具体地，利用用户设备上的运动传感器（如加速度传感器、陀螺仪）对移动用户运动状态（静止、步行、乘车）进行判别，或者利用光线传感器、气压计、全球定位系统（GlobalPosition System，简称GPS）来判断移动用户当前地理位置是室内/室外。通过将上述多种传感数据综合应用，通过发生概率推理、规则推理等方式确定移动用户的运动状态，根据移动用户的运动状态，确定移动用户的当前行为活动的发生概率。本领域技术人员可以理解，运动状态与移动用户的当前行为活动的发生概率具有对应关系，可根据对应关系，确定当前行为活动的发生概率。
又一种可能的实现方式，获取所述移动用户的当前地理位置的背景音，根据所述背景音，确定所述移动用户的当前行为活动的发生概率。
具体地，利用移动设备的麦克风采集移动用户的背景音，通过对背景音数据进行预处理并抽取Mel频率倒谱系数（Mel Frequency Cepstrum Coefficient，简称MFCC）、过零率、短时能量等特征来识别特殊声音或进行场景分析，因此可根据背景音推测移动用户的活动，如果背景音中有餐具撞击声音则判断移动用户当前的行为活动为吃饭，如果有多人同时讨论的声音，则判断移动用户的当前行为活动为开会。本领域技术人员可以理解，背景音与移动用户的当前行为活动的发生概率具有对应关系，可根据对应关系，确定当前行为活动的发生概率。
在步骤102中，根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率。
其中，所述历史活动迁移规律包括：由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子；
所述公共活动迁移规律包括由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子。
下面采用具体实施例，进行详细说明。
首先，根据移动用户普遍的公共活动迁移规律，得到移动用户由当前行为活动转换到目标行为活动的发生概率pcommon(Acti|Acti-1)，如表二所示。公共活动迁移规律可以是专家给出的经验值，也可以根据收集到的多个移动用户的历史活动记录来统计获取。
表二
同时，若已知历史活动迁移规律，也可得到移动用户由当前行为活动转换到所述目标行为活动的发生概率，ppersonal(Acti|Acti-1)。其中，历史活动迁移规律可以从多种途径获得，例如专门开发一个让移动用户主动配合标注当前行为活动的软件来收集数据，也可以通过移动用户曾经使用的第三方基于位置的服务（Location Based Service，简称LBS），签到服务获得，或者从移动用户记录的电子日记、日历中的行程安排中提取。本领域技术人员可以理解，历史行为活动的迁移规律也可如表二所示，本实施例此处不再赘述。
然后，根据当前行为活动的发生概率、由移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子，确定与所述历史行为活动对应的目标行为活动的发生概率，具体可通过如下公式实现：
其中，pl(Actnext=act)代表与历史行为活动对应的目标行为活动的发生概率，α(t)代表历史行为活动的权重因子，ppersonal(Actnext=act|Actcurrent=bi)代表由移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率，p(Actcurrent=bi)代表当前行为活动的发生概率，M代表行为活动的个数，M为自然数。
例如，在步骤101的一种可能的实现方式中，确定当前行为活动为吃饭时，发生概率为0.305，当前行为活动为工作时，发生概率为0.5，当前行为活动为购物，发生概率为0.195。
若α(t)=0.6，历史行为活动的迁移规律也如表二所示，则与历史行为活动对应的目标行为活动为购物时，发生概率pl(Actnext=act)=0.6×（0.305×0.4+0.5×0.2+0.195×0=0.1332；与历史行为活动对应的目标行为活动为吃饭时，发生概率为pl(Actnext=act)=0.6×（0.305×0+0.5×0.8+0.195×0.9）=0.3453；与历史行为活动对应的目标行为活动为工作时，发生概率为pl(Actnext=act)=0.6×（0.305×0.6+0.5×0+0.195×0.1）=0.2025。
同时，根据当前行为活动的发生概率、由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子，确定与所述公共行为活动对应的目标行为活动的发生概率，具体可通过如下公式实现：
其中，pg(Actnext=act)代表与公共行为活动对应的目标行为活动的发生概率，(1-α(t))代表公共行为活动的权重因子，pcommon(Actnext=act|Actcurrent=bi)代表由其他移动用户的历史行为活动确定的移动用户由当前行为活动转换到所述目标行为活动的发生概率，M代表行为活动的个数，M为自然数。
在具体实现过程中，确定与所述公共行为活动对应的目标行为活动的发生概率的实现方式，可参加确定与历史行为活动对应的目标行为活动的发生概率，此处不再赘述。
本领域技术人员可以理解，α(t)为权重因子，且α(t)是随着时间递增的，这是因为随着时间的增长，收集到的用户活动规律信息不断增加，个人的活动规律将在预测中逐渐占据主导地位。
最终，根据与所述历史行为活动对应的目标行为活动的发生概率和与所述公共行为活动对应的目标行为活动的发生概率，确定所述移动用户的目标行为活动的发生概率。
在具体实现过程中，将历史行为活动对应的目标行为活动的发生概率以及与所述公共行为活动对应的目标行为活动的发生概率针对从同一当前行为活动转换到同一目标行为活动求和，得到移动用户的目标行为活动的发生概率P(Actnext=act)。
即p(Actnext=act)=Pl(Actnext=act)+Pg(Actnext=act) （公式四）
在步骤103中，根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动。
具体地，选取目标行为活动的发生概率最大的做为目标行为活动。
步骤104、根据所述移动用户的目标行为活动，预测所述移动用户的目标地理位置。
具体地，确定移动用户的目标行为活动是否存在与移动用户的历史行为活动记录中，所述历史行为活动记录包括与所述目标行为活动对应的历史地理位置；
若是，根据所述历史行为活动记录，预测所述移动用户的目标地理位置；
若否，根据第一预设地理位置范围内、与所述目标行为活动对应的地理位置，预测所述移动用户的目标地理位置。
在具体实现过程中，历史行为活动记录包括移动用户以前访问过的历史地理位置。当目标行为活动存在于历史行为活动记录中时，根据移动用户以前访问过的历史地理位置，预测移动用户的目标地理位置。
其中，Numpersonal(Actnext,loci)表示在历史行为活动记录中，活动Actnext在地点loci发生的次数，代表选取使Numpersonal(Actnext,loci)取最大值的loci。
当目标行为活动不存在于历史行为活动记录中时，则目标地理位置可能是第一预设地理位置范围内、与所述目标行为活动对应的地理位置，且目标地理位置是locx的概率与目标地理位置locx和当前地理位置之间的距离dist(.)，以及其他移动用户在目标地理位置locx从事目标行为活动Actnext的次数有关。
其中，Ψ(.)随着dist(Locnext,locx)的增加而减少，随着Numcommon(Actnext,locx)的增加而增加，dist(Locnext,locx)表示locx和当前位置之间的距离，Numcommon(Actnext,locx)表示其他移动用户在locx从事目标行为活动Actnext的次数，代表选取使Ψ(dist(Locnext,locx),Numcommon(Actnext,locx)取最大值的locx。
特别地，Ψ(.)具体的形式不限，可以是
也可以是
其中，Ranknear(.)表示对locx和当前位置之间的距离从低到高排序的名次，Rankfreq表示其他移动用户在locx从事目标行为活动Actnext的次数从多到少排序的名次，β∈(0,1)是权重因子。
最终，选取概率最大的目标地理位置作为所述移动用户的目标地理位置。
本发明通过用户设备确定移动用户的当前行为活动的发生概率；根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置。本发明在没有移动用户大量的历史活动迁移规律的情况下，通过公共活动迁移规律确定移动用户的目标地理位置，提高了目标地理位置的准确性。同时，通过公共活动迁移规律，本实施例还可以对没有出现在移动用户历史迁移规律中的地理位置进行预测，得到目标地理位置，提高移动用户位置预测方法的普遍适用性。
图2为本发明用户设备实施例一的结构示意图。如图2所示，本发明实施例提供的用户设备20包括：第一概率确定模块201、第二概率确定模块202、行为活动确定模块203和预测模块204。
其中，第一概率确定模块201，用于确定移动用户的当前行为活动的发生概率；
第二概率确定模块202，用于根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；
行为活动确定模块203，用于根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；
预测模块204，用于根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置。
本实施例提供的用户设备，可以用于执行本发明任意实施例所提供的移动用户位置预测方法的技术方案，其实现原理和技术效果类似，此处不再赘述。
可选地，所述历史活动迁移规律包括：由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子；
所述公共活动迁移规律包括由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子。
可选地，所述第二概率确定模块202具体用于：
根据所述当前行为活动的发生概率、由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子，确定与所述历史行为活动对应的目标行为活动的发生概率；
根据所述当前行为活动的发生概率、由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子，确定与所述公共行为活动对应的目标行为活动的发生概率；
根据与所述历史行为活动对应的目标行为活动的发生概率和与所述公共行为活动对应的目标行为活动的发生概率，确定所述移动用户的目标行为活动的发生概率。
可选地，所述预测模块204具体用于：
确定所述移动用户的所述目标行为活动是否存在于所述移动用户的历史行为活动记录中，所述历史行为活动记录包括与所述目标行为活动对应的历史地理位置；
若是，根据所述历史行为活动记录，预测所述移动用户的目标地理位置；
若否，根据第一预设地理位置范围内、与所述目标行为活动对应的地理位置，预测所述移动用户的目标地理位置。
可选地，所述第一概率确定模块201具体用于：
获取所述移动用户的当前地理位置和当前时间，根据所述当前地理位置，确定第二预设地理位置范围内所述移动用户的兴趣点分布，根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，或者
获取与所述移动用户对应的传感数据，根据所述传感数据确定所述移动用户的运动状态，根据所述移动用户的运动状态，确定所述移动用户的当前行为活动的发生概率；或者
获取所述移动用户的当前地理位置的背景音，根据所述背景音，确定所述移动用户的当前行为活动的发生概率。
可选地，当前时间、各所述兴趣点、当前行为活动的发生子概率具有对应关系；
所述第一概率确定模块201还具体用于：
根据所述兴趣点分布，确定各所述兴趣点的比率；
根据各所述兴趣点的比率，以及与各所述兴趣点对应的所述当前行为活动的发生子概率，确定在所述当前时间所述移动用户的当前行为活动的发生概率。
本实施例提供的用户设备，可以用于执行本发明任意实施例所提供的移动用户位置预测方法的技术方案，其实现原理和技术效果类似，此处不再赘述。
图3为本发明用户设备实施例二的结构示意图。如图3所示，本实施例提供的用户设备30包括处理器301和存储器302。可选地，用户设备30还可以包括发射器、接收器。发射器和接收器可以和处理器301相连。其中，发射器用于发送数据或信息，接收器用于接收数据或信息，存储器302存储执行指令，当用户设备30运行时，处理器301与存储器302之间通信，处理器301调用存储器302中的执行指令，用于执行以下操作：
确定移动用户的当前行为活动的发生概率；
根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；
根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；
根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置。
本实施例提供的用户设备，可以用于执行本发明任意实施例所提供的移动用户位置预测方法的技术方案，其实现原理和技术效果类似，此处不再赘述。
可选地，所述历史活动迁移规律包括：由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子；
所述公共活动迁移规律包括由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子。
可选地，所述根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率，包括：
根据所述当前行为活动的发生概率、由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子，确定与所述历史行为活动对应的目标行为活动的发生概率；
根据所述当前行为活动的发生概率、由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子，确定与所述公共行为活动对应的目标行为活动的发生概率；
根据与所述历史行为活动对应的目标行为活动的发生概率和与所述公共行为活动对应的目标行为活动的发生概率，确定所述移动用户的目标行为活动的发生概率。
可选地，所述根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置，包括：
确定所述移动用户的所述目标行为活动是否存在于所述移动用户的历史行为活动记录中，所述历史行为活动记录包括与所述目标行为活动对应的历史地理位置；
若是，根据所述历史行为活动记录，预测所述移动用户的目标地理位置；
若否，根据第一预设地理位置范围内、与所述目标行为活动对应的地理位置，预测所述移动用户的目标地理位置。
可选地，所述确定移动用户的当前行为活动的发生概率，包括：
获取所述移动用户的当前地理位置和当前时间，根据所述当前地理位置，确定第二预设地理位置范围内所述移动用户的兴趣点分布，根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，或者
获取与所述移动用户对应的传感数据，根据所述传感数据确定所述移动用户的运动状态，根据所述移动用户的运动状态，确定所述移动用户的当前行为活动的发生概率；或者
获取所述移动用户的当前地理位置的背景音，根据所述背景音，确定所述移动用户的当前行为活动的发生概率。
可选地，所述当前时间、各所述兴趣点、当前行为活动的发生子概率具有对应关系；
所述根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，包括：
根据所述兴趣点分布，确定各所述兴趣点的比率；
根据各所述兴趣点的比率，以及与各所述兴趣点对应的所述当前行为活动的发生子概率，确定在所述当前时间所述移动用户的当前行为活动的发生概率。
本实施例提供的用户设备，可以用于执行本发明任意实施例所提供的移动用户位置预测方法的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种移动用户位置预测方法，其特征在于，包括：
确定移动用户的当前行为活动的发生概率；
根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；
根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；
根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置；
所述历史活动迁移规律包括：由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子；所述公共活动迁移规律包括由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子；
所述根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率，包括：
根据所述当前行为活动的发生概率、由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子的乘积，确定与所述历史行为活动对应的目标行为活动的发生概率；
根据所述当前行为活动的发生概率、由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子的乘积，确定与所述公共行为活动对应的目标行为活动的发生概率；
根据与所述历史行为活动对应的目标行为活动的发生概率和与所述公共行为活动对应的目标行为活动的发生概率的和，确定所述移动用户的目标行为活动的发生概率。
2.根据权利要求1所述的方法，其特征在于，所述根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置，包括：
确定所述移动用户的所述目标行为活动是否存在于所述移动用户的历史行为活动记录中，所述历史行为活动记录包括与所述目标行为活动对应的历史地理位置；
若是，根据所述历史行为活动记录，预测所述移动用户的目标地理位置；
若否，根据第一预设地理位置范围内、与所述目标行为活动对应的地理位置，预测所述移动用户的目标地理位置。
3.根据权利要求1或2所述的方法，其特征在于，所述确定移动用户的当前行为活动的发生概率，包括：
获取所述移动用户的当前地理位置和当前时间，根据所述当前地理位置，确定第二预设地理位置范围内所述移动用户的兴趣点分布，根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，或者
获取与所述移动用户对应的传感数据，根据所述传感数据确定所述移动用户的运动状态，根据所述移动用户的运动状态，确定所述移动用户的当前行为活动的发生概率；或者
获取所述移动用户的当前地理位置的背景音，根据所述背景音，确定所述移动用户的当前行为活动的发生概率。
4.根据权利要求3所述的方法，其特征在于，所述当前时间、各所述兴趣点、当前行为活动的发生子概率具有对应关系；
所述根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，包括：
根据所述兴趣点分布，确定各所述兴趣点的比率；
根据各所述兴趣点的比率，以及与各所述兴趣点对应的所述当前行为活动的发生子概率，确定在所述当前时间所述移动用户的当前行为活动的发生概率。
5.一种用户设备，其特征在于，包括：
第一概率确定模块，用于确定移动用户的当前行为活动的发生概率；
第二概率确定模块，用于根据所述移动用户的当前行为活动的发生概率、所述移动用户的历史活动迁移规律以及公共活动迁移规律，确定所述移动用户的目标行为活动的发生概率；
行为活动确定模块，用于根据所述移动用户的目标行为活动的发生概率，确定所述移动用户的目标行为活动；
预测模块，用于根据确定的所述移动用户的所述目标行为活动，预测所述移动用户的目标地理位置；
所述历史活动迁移规律包括：由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子；所述公共活动迁移规律包括由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子；
所述第二概率确定模块具体用于：
根据所述当前行为活动的发生概率、由所述移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述历史行为活动的权重因子的乘积，确定与所述历史行为活动对应的目标行为活动的发生概率；
根据所述当前行为活动的发生概率、由其他移动用户的历史行为活动确定的所述移动用户由当前行为活动转换到所述目标行为活动的发生概率和所述公共行为活动的权重因子的乘积，确定与所述公共行为活动对应的目标行为活动的发生概率；
根据与所述历史行为活动对应的目标行为活动的发生概率和与所述公共行为活动对应的目标行为活动的发生概率的和，确定所述移动用户的目标行为活动的发生概率。
6.根据权利要求5所述的设备，其特征在于，所述预测模块具体用于：
确定所述移动用户的所述目标行为活动是否存在于所述移动用户的历史行为活动记录中，所述历史行为活动记录包括与所述目标行为活动对应的历史地理位置；
若是，根据所述历史行为活动记录，预测所述移动用户的目标地理位置；
若否，根据第一预设地理位置范围内、与所述目标行为活动对应的地理位置，预测所述移动用户的目标地理位置。
7.根据权利要求5或6所述的设备，其特征在于，所述第一概率确定模块具体用于：
获取所述移动用户的当前地理位置和当前时间，根据所述当前地理位置，确定第二预设地理位置范围内所述移动用户的兴趣点分布，根据所述当前时间和所述兴趣点分布，确定所述移动用户的当前行为活动的发生概率，或者
获取与所述移动用户对应的传感数据，根据所述传感数据确定所述移动用户的运动状态，根据所述移动用户的运动状态，确定所述移动用户的当前行为活动的发生概率；或者
获取所述移动用户的当前地理位置的背景音，根据所述背景音，确定所述移动用户的当前行为活动的发生概率。
8.根据权利要求7所述的设备，其特征在于，当前时间、各所述兴趣点、当前行为活动的发生子概率具有对应关系；
所述第一概率确定模块还具体用于：
根据所述兴趣点分布，确定各所述兴趣点的比率；
根据各所述兴趣点的比率，以及与各所述兴趣点对应的所述当前行为活动的发生子概率，确定在所述当前时间所述移动用户的当前行为活动的发生概率。
CN201310518476.XA 2013-10-28 2013-10-28 移动用户位置预测方法及设备 Active CN104581622B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201310518476.XA CN104581622B (zh) 2013-10-28 2013-10-28 移动用户位置预测方法及设备
PCT/CN2014/088464 WO2015062409A1 (zh) 2013-10-28 2014-10-13 移动用户位置预测方法及设备
JP2016526824A JP6277569B2 (ja) 2013-10-28 2014-10-13 モバイルユーザの位置を予測するための方法、および機器
EP14856995.7A EP3048820B1 (en) 2013-10-28 2014-10-13 Method and device for predicting position of mobile user
KR1020167012508A KR101787929B1 (ko) 2013-10-28 2014-10-13 모바일 사용자의 위치를 예측하는 방법 및 디바이스
US15/139,556 US9906913B2 (en) 2013-10-28 2016-04-27 Method for predicting position of mobile user, and equipment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310518476.XA CN104581622B (zh) 2013-10-28 2013-10-28 移动用户位置预测方法及设备

Publications (2)

Publication Number Publication Date
CN104581622A CN104581622A (zh) 2015-04-29
CN104581622B true CN104581622B (zh) 2018-09-07

Family

ID=53003313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310518476.XA Active CN104581622B (zh) 2013-10-28 2013-10-28 移动用户位置预测方法及设备

Country Status (6)

Country Link
US (1) US9906913B2 (zh)
EP (1) EP3048820B1 (zh)
JP (1) JP6277569B2 (zh)
KR (1) KR101787929B1 (zh)
CN (1) CN104581622B (zh)
WO (1) WO2015062409A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10135831B2 (en) 2011-01-28 2018-11-20 F5 Networks, Inc. System and method for combining an access control system with a traffic management system
US10015143B1 (en) 2014-06-05 2018-07-03 F5 Networks, Inc. Methods for securing one or more license entitlement grants and devices thereof
US10505818B1 (en) 2015-05-05 2019-12-10 F5 Networks. Inc. Methods for analyzing and load balancing based on server health and devices thereof
CN105183800A (zh) * 2015-08-25 2015-12-23 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN105357637B (zh) * 2015-10-28 2019-06-11 同济大学 一种位置和行为信息预测系统及方法
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
CN105933857B (zh) * 2015-11-25 2019-05-14 中国银联股份有限公司 一种移动终端位置预测方法及装置
CN105608153A (zh) * 2015-12-18 2016-05-25 晶赞广告（上海）有限公司 一种通用的poi信息关联方法
CN105426553B (zh) * 2016-01-15 2018-09-11 四川农业大学 一种基于智能设备的目标实时跟踪预警方法以及系统
CN105974360A (zh) * 2016-04-27 2016-09-28 沈阳云飞科技有限公司 一种基于adl的监测分析方法、装置
CN107436894A (zh) * 2016-05-26 2017-12-05 冯小平 一种数据推送方法及装置
CN107436897A (zh) * 2016-05-26 2017-12-05 冯小平 一种用户当前行为的确定方法及装置
CN106528614B (zh) * 2016-09-29 2019-03-08 南京邮电大学 一种移动社交网络中用户的地理位置预测方法
CN106453050B (zh) * 2016-10-10 2019-11-22 腾讯科技（深圳）有限公司 基于社交应用的信息处理方法、系统以及相关设备
US10972453B1 (en) 2017-05-03 2021-04-06 F5 Networks, Inc. Methods for token refreshment based on single sign-on (SSO) for federated identity environments and devices thereof
CN108012237B (zh) * 2017-12-13 2020-02-14 Oppo广东移动通信有限公司 定位控制方法、装置、存储介质及终端设备
US10176379B1 (en) * 2018-06-01 2019-01-08 Cisco Technology, Inc. Integrating computer vision and wireless data to provide identification
CN111797301A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 活动预测方法、装置、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989127A (zh) * 2009-08-03 2011-03-23 索尼公司 数据处理装置、数据处理方法以及程序
CN102682041A (zh) * 2011-03-18 2012-09-19 日电（中国）有限公司 用户行为识别设备及方法
CN103052022A (zh) * 2011-10-17 2013-04-17 中国移动通信集团公司 基于移动行为的用户稳定点发现方法和系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030022656A1 (en) 2001-06-08 2003-01-30 Hinnant Harris O. Position prediction for authentication of a mobile transmitter
JP2004333136A (ja) * 2003-04-30 2004-11-25 Sony Corp ナビゲーション装置
JP4388114B2 (ja) * 2004-07-13 2009-12-24 パナソニック株式会社 移動先表示装置および移動先表示方法
JP4402099B2 (ja) * 2005-12-05 2010-01-20 パナソニック株式会社 地点情報検索装置、地点情報検索方法、及びプログラム
US7848880B2 (en) * 2007-02-28 2010-12-07 Microsoft Corporation Traffic information adaptive to a user's travel
JP5016968B2 (ja) * 2007-04-24 2012-09-05 トヨタホーム株式会社 機器制御システム
US8031595B2 (en) * 2007-08-21 2011-10-04 International Business Machines Corporation Future location determination using social networks
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
JP2012108748A (ja) * 2010-11-18 2012-06-07 Sony Corp データ処理装置、データ処理方法、およびプログラム
US20120226554A1 (en) * 2011-03-01 2012-09-06 Jeffrey C Schmidt System and method for providing data to a portable communications device based on real-time subscriber behavior
JP5365653B2 (ja) * 2011-03-01 2013-12-11 日本電気株式会社 消費電力削減装置、システム方法及びプログラム
JP2012256239A (ja) * 2011-06-09 2012-12-27 Toyota Central R&D Labs Inc 目的地予測装置及びプログラム
CN102509170A (zh) 2011-10-10 2012-06-20 浙江鸿程计算机系统有限公司 一种基于历史轨迹数据挖掘的位置预测系统及方法
US9736652B2 (en) * 2012-11-06 2017-08-15 Intertrust Technologies Corporation Activity recognition systems and methods
CN102984799B (zh) * 2012-11-27 2015-03-04 中国人民解放军信息工程大学 一种用户位置判定方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989127A (zh) * 2009-08-03 2011-03-23 索尼公司 数据处理装置、数据处理方法以及程序
CN102682041A (zh) * 2011-03-18 2012-09-19 日电（中国）有限公司 用户行为识别设备及方法
CN103052022A (zh) * 2011-10-17 2013-04-17 中国移动通信集团公司 基于移动行为的用户稳定点发现方法和系统

Also Published As

Publication number Publication date
KR20160070817A (ko) 2016-06-20
US20160242009A1 (en) 2016-08-18
EP3048820A4 (en) 2016-10-19
EP3048820A1 (en) 2016-07-27
US9906913B2 (en) 2018-02-27
JP2017501609A (ja) 2017-01-12
KR101787929B1 (ko) 2017-10-18
EP3048820B1 (en) 2020-08-19
CN104581622A (zh) 2015-04-29
JP6277569B2 (ja) 2018-02-14
WO2015062409A1 (zh) 2015-05-07

Similar Documents

Publication Publication Date Title
CN104581622B (zh) 移动用户位置预测方法及设备
US11553302B2 (en) Labeling a significant location based on contextual data
US10356559B2 (en) Harvesting labels for significant locations and updating a location fingerprint database using harvested labels
CN103210410B (zh) 用于情境确定的方法和装置
US11788858B2 (en) Labeling a significant location based on contextual data
US9007204B2 (en) Automatic identification and storage of frequently visited locations
Calabrese et al. Human mobility prediction based on individual and collective geographical preferences
Liu et al. Extracting semantic location from outdoor positioning systems
US8738422B2 (en) Systems, techniques, and methods for providing location assessments
Ashbrook et al. Learning significant locations and predicting user movement with GPS
US9497594B2 (en) Identifying status based on heterogeneous sensors
US20110106736A1 (en) System and method for intuitive user interaction
US6915204B1 (en) Method, system, and article of manufacture for minimizing travel time to a user selected location
EP1441300A1 (en) Location-based to-do list reminders
CN103218442A (zh) 一种基于移动设备传感器数据的生活模式分析方法及系统
JP2008102860A (ja) 小型電子機器およびメニュー表示プログラム
CN109274732A (zh) 地理位置获取方法、装置、电子设备及存储介质
CN109583648A (zh) 出行管理方法、装置、存储介质及终端设备
Lorenzo et al. Predicting personal mobility with individual and group travel histories
Takeuchi et al. A user-adaptive city guide system with an unobtrusive navigation interface
KR20200083157A (ko) 사용자에게 현실 공간에 기반한 게임을 추천하는 방법 및 장치
CN107678816A (zh) 一种基于地理位置的程序运行提示方法、装置和终端设备
Han et al. Learning trajectory information with neural networks and the markov model to develop intelligent location-based services

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